Flexible and scalable methods for formal concept analysis in distributed architectures
Méthodes flexibles et évolutives pour l'analyse formelle des concepts dans les architectures distribuées
Résumé
This thesis explores adapting Formal Concept Analysis (FCA) to tackle challenges in distributed and dynamic data environments. This research addresses the need for efficient data mining techniques in Industry 4.0 and the Internet of Things (IoT), where data is vast and continuous. The primary goals include developing scalable, flexible methods to prevent the loss of significant concepts during concept lattice construction, proposing incremental algorithms for real-time data streams, and demonstrating practical applications of these methods. The thesis starts with a comprehensive review of current knowledge representation, scalability, and FCA, emphasizing the challenges of large datasets and efficient mining techniques. A systematic literature review identifies gaps in existing FCA methods, particularly for distributed architectures, highlighting the need for new approaches to manage the exponential growth of formal concepts and dynamic data streams. Novel algorithms are introduced for merging lattices to recover lost concepts and incremental methods for constructing concept lattices. These algorithms, designed for both single-threaded and parallel execution, enhance scalability and flexibility. Practical use cases, such as an e-commerce recommendation system for the French Ski School, demonstrate the real-world benefits of the proposed methods. Empirical evaluations using synthetic and real-world datasets validate the performance, showing significant improvements in handling large, distributed data. The thesis concludes by summarizing the contributions and suggesting future research directions to further enhance FCA capabilities in distributed settings.
Cette thèse explore l'adaptation de l'Analyse Formelle de Concepts (AFC) pour relever les défis posés par les environnements de données distribués et dynamiques. Cette recherche répond à la nécessité de techniques de fouille de données efficaces dans le contexte de l'Industrie 4.0 et de l'Internet des Objets (IoT), où la génération de données est vaste et continue. Les objectifs principaux incluent le développement de méthodes scalables et flexibles pour éviter la perte de concepts significatifs lors de la construction de réticulé de concepts, la proposition d'algorithmes incrémentaux adaptés aux flux de données en temps réel, et la démonstration des applications pratiques de ces méthodes. La thèse commence par une revue exhaustive de l'état de l'art, définissant les concepts clés de la représentation des connaissances, de la scalabilité et de l'AFC, en soulignant les défis inhérents à la gestion de grands ensembles de données et la nécessité de techniques de fouille de données efficaces. Une revue systématique de la littérature identifie les lacunes des méthodes d'AFC existantes, particulièrement celles applicables aux architectures distribuées, mettant en évidence la nécessité de nouvelles approches pour gérer la croissance exponentielle des concepts formels et la nature dynamique des flux de données. La thèse introduit des algorithmes novateurs pour la fusion des réticulés afin de récupérer des concepts potentiellement perdus et des méthodes incrémentales pour la construction de réticulé de concepts. Ces algorithmes, conçus pour des exécutions mono-thread et parallélisées, améliorent leur scalabilité et flexibilité. Des cas pratiques, comme un système de recommandation pour l'École de Ski Française, démontrent les avantages réels des méthodes proposées. Des évaluations empiriques utilisant des ensembles de données synthétiques et réels valident la performance de ces méthodes, montrant des améliorations significatives dans la gestion de données larges et distribuées. La thèse conclut en résumant les contributions et en suggérant des directions pour de futures recherches afin de renforcer les capacités de l'AFC dans les environnements distribués.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|