Towards a catalog of design patterns for knowledge discovery with relational concept analysis - Archive ouverte HAL Accéder directement au contenu
Autre Publication Scientifique Année : 2022

Towards a catalog of design patterns for knowledge discovery with relational concept analysis

Constituer un catalogue de patrons de conception pour la découverte de connaissances avec l’Analyse Relationnelle de Concepts

Résumé

Developing both structured and unstructured representations, including explicit versus implicit knowledge, as well as white-box versus black-box approaches is a richness for Knowledge Discovery (KD). Formal Concept Analysis (FCA) is positioned at the spectrum end which focuses on complex data, structured representations, explicit knowledge, explainable results and white-box approaches. More and more connections are also made with other methods in the whole KD spectrum. Relational Concept Analysis (RCA) extends FCA by highlighting knowledge in multi-relational datasets. It has a variety of applications, in particular in Software Engineering and Environmental data. As a KD method, careful and adequate data modeling and preparation are crucial for a successful application. Experience gained during past theoretical or experimental studies can be capitalized in design patterns, by identifying and collecting different recurring situations and adopted solutions. Some of them can be used in other KD methods. This talk presents the principles of RCA, its specific value for KD and its tooling. It also situates RCA among the FCA-based KD methods. Then it develops a tentative design pattern catalog, while connecting these design patterns to concrete applications. By building this catalog, we aim to facilitate RCA practice, save time and increase quality in future applications and to consolidate an efficient KD method.
La découverte de connaissances ne peut que s’enrichir du développement et d’allers-retours entre des représentations structurées et des représentations non structurées, comportant de l’explicite versus comportant de l’implicite et entre des approches boîte blanche versus boîte noire. L’Analyse Formelle de Concepts (AFC) se positionne à l’extrémité du spectre s’intéressant aux données complexes, aux représentations structurées, explicites (explicables) et boîte blanche et de plus en plus de ponts sont faits avec d’autres méthodes dans la totalité du spectre. L’Analyse Relationnelle de Concepts (RCA) étend l’AFC et met en valeur des connaissances découvertes dans des données multi-relationnelles. Elle connaît des applications variées notamment dans les domaines du génie logiciel et des données environnementales. Comme pour toute méthode de découverte de connaissances, une modélisation et une préparation minutieuse et adéquate des données sont indispensables au succès de son application. L’expérience acquise lors d’études théoriques ou expérimentales peut être capitalisée dans des patrons de conception en identifiant et en recensant différentes situations et solutions récurrentes. Certains de ces patrons peuvent s’avérer utiles pour d’autres approches. Cet exposé présente l’Analyse Relationnelle de Concepts, son intérêt pour la découverte de connaissances, son outillage, la situe dans le paysage des approches de découverte de connaissances par AFC, puis relate cette première tentative de constitution d’un catalogue de patrons de conception en les reliant à des applications concrètes. L’objectif est de faciliter la pratique de l’ARC sur de futures applications, par un gain de temps et de qualité et de consolider une méthode efficiente de découverte de connaissances.
Fichier principal
Vignette du fichier
latece2022.pdf (5.74 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03860899 , version 1 (18-11-2022)
hal-03860899 , version 2 (14-12-2022)

Identifiants

  • HAL Id : hal-03860899 , version 1

Citer

Marianne Huchard. Towards a catalog of design patterns for knowledge discovery with relational concept analysis. 2022. ⟨hal-03860899v1⟩
97 Consultations
14 Téléchargements

Partager

Gmail Facebook X LinkedIn More