Le 18 décembre 2021, Imen Ouled Dlala, enseignante-chercheuse à l’ESILV, a présenté un papier de recherche lors de la conférence IEEE Big Data 2021 : l’occasion, pour le Devinci Research Center, d’apporter sa contribution autour de l’intelligence artificielle, du big data et du data mining dans le cadre d’une conférence reconnue internationalement.
L’exploration de jeux de données est un axe de recherche fondamental dans le domaine de l’exploration des données. Elle consiste à découvrir des corrélations cachées et intéressantes à partir des grandes masses de données provenant de nombreuses applications, allant du marketing aux données scientifiques.
C’est également un important sujet de recherche du Digital Group du Devinci Research Center. En tant que membre du lab de recherche informatique du DVRC et enseignante-chercheuse à l’ESILV, Imen Ouled Dlala co-signe un papier de recherche qu’elle a présenté dans le cadre de la conférence IEEE BigData 2021, classée de rang B.
« On Minimal and Maximal High Utility Itemsets Mining using Propositional Satisfiability »
La conférence IEEE constitue un forum de premier plan pour l’identification des derniers résultats scientifiques et techniques en matière de recherche sur les données massives.
L’article « On Minimal and Maximal High Utility Itemsets Mining using Propositional Satisfiability » se penche sur l’énumération des motifs « High Utility », une extension des items fréquents classiques, qui vise à surmonter certaines limites de la fouille de données classique.
En fait, le problème d ‘extraction d’items « High Utility » prend en compte les poids des items afin d’identifier les motifs d’une utilité élevée dans les bases de données transactionnelles. L’utilité peut être évaluée en termes de profit, de coût ou toute autre relation de préférence de l’utilisateur.
Les motifs minimaux et maximaux sont deux exemples de représentation compacte utilisés pour réduire la taille de sortie en raison du nombre non seulement important mais aussi incompréhensible de motifs. Malgré les nombreuses solutions proposées pour résoudre ce problème, ces méthodes demeurent moins flexibles.
« Dans cet article, nous présentons une nouvelle méthode flexible pour traduire le problème d’extraction des itemsets minimaux et maximaux « High Utility » vers un problème de satisfiabilité propositionnelle. Grâce à des études d’évaluation empiriques sur divers jeux de données du monde réel, nous avons démontré que notre approche est très compétitive par rapport aux méthodes existantes de l’état de l’art. »
This post was last modified on %s = human-readable time difference 8:08 pm