Apprendre des données relationnelles

Paramètres De nombreux algorithmes fonctionnent sur une seule relation ou table, tandis que de nombreuses bases de données réelles stockent des informations dans plusieurs tables (Domingos, 2003).

Question Quels types d'algorithmes apprennent bien à partir de plusieurs tables (relationnelles). En particulier, je m'intéresse aux algorithmes applicables aux tâches de régression et de classification (pas celles orientées vers l'analyse de réseau, par exemple la prédiction de liens).

Je connais plusieurs approches énumérées ci-dessous (mais je suis sûr que j'en manque):

• Exploration de données multi-relationnelles (MRDM) (Dzeroski, 2002)
• Programmation logique inductive (ILP) (Muggleton, 1992)
• Apprentissage relationnel statistique (SRL) (Getoor, 2007)

Džeroski, S. (2003). Exploration de données multi-relationnelle: une introduction. Bulletin ACM SIGKDD Explorations.

Getoor, Lise et Ben Taskar, éd. Introduction à l'apprentissage relationnel statistique. Presse du MIT, 2007.

S. Muggleton et C. Feng. Induction efficace des programmes logiques. Dans Actes de la première conférence sur la théorie de l'apprentissage algorithmique, pages 368–381. Ohmsha, Tokyo, 1990.

J'ai commencé à étudier ce sujet en lisant cet article: Macskassy, ​​S., & Provost, F. (2003). Un classificateur relationnel simple . Mon conseiller m'a dit que c'est l'approche de classification la plus simple en apprentissage relationnel qu'il connaisse.

Ceci est un bon livre d'introduction: De Raedt, Luc, ed. Apprentissage logique et relationnel . Springer, 2008.

Essayez d'utiliser ACE pour TILDE et WARMR.