Sujet : Exploitation de clustering multiples sur un jeu de donnéesDomaine : analyse et exploitation des masses de donnéesFinancement prévu : Alloc. MESR (Ministère Enseignement Supérieur et de la Recherche)Début de la thèse : septembre ou octobre 2011Lieu de travail : Nantes, site de Polytech’Nantes/LINA.Rémunération : selon réglementation nationale du contrat doctoral http://www.enseignementsup-recherche.gouv.fr/cid20185/doctorat.htmlDirecteur de thèse : Marc GelgonCo-encadrants : Guillaume Raschia, Antoine PigeauLaboratoire et équipe d’accueil :Le/la doctorant(e) recruté(e) sera membre du LINA (Laboratoire d’Informatique Nantes-Atlantique, UMR CNRS 6241) et de l’équipe GRIM (Gestion, Résumé, Indexation et apprentissage sur les Mas-ses de données) de ce laboratoire. Les travaux de l’équipe GRIM concernent principalement la classification non supervisée de données, avec des méthodes et des perspectives diverses : le ré-sumé de bases de données et l’interrogation flexible, l’indexation, l’intégration et la recherche d’information dans les systèmes distribués (cluster, P2P), la recherche d’information multimedia, la préservation de la confidentialité dans les bases de données, ou la fouille dans les données sé-quentielles. Voir http://www.polytech.univ-nantes.fr/grim plus pour de détails.Profil recherché :- Titulaire d’un diplôme bac+5 en informatique (Master2 ou ingénieur), démontrant une activi-té d’initiation à la recherche. - Compétence et intérêt ...
Sujet: Exploitation de clustering multiples sur un jeu de données Domaine: analyse et exploitation des masses de données
Financementprévu: Alloc. MESR (Ministère Enseignement Supérieur et de la Recherche) Début de la thèse: septembre ou octobre 2011 Lieu de travail: Nantes, site de PolytechNantes/LINA. Rémunération: selon réglementation nationale du contrat doctoral http://www.enseignementsup-recherche.gouv.fr/cid20185/doctorat.html Directeur de thèse: Marc Gelgon Co-encadrants: Guillaume Raschia, Antoine Pigeau
Laboratoire et équipe daccueil :
Le/la doctorant(e) recruté(e) sera membre du LINA (Laboratoire dInformatique Nantes-Atlantique, UMR CNRS 6241) et de léquipe GRIM (Gestion, Résumé, Indexation et apprentissage sur les Mas-ses de données) de ce laboratoire. Les travaux de léquipe GRIM concernent principalement la classification non supervisée de données, avec des méthodes et des perspectives diverses : le ré-sumé de bases de données et linterrogation flexible, lindexation, lintégration et la recherche dinformation dans les systèmes distribués (cluster, P2P), la recherche dinformation multimedia, la préservation de la confidentialité dans les bases de données, ou la fouille dans les données sé-quentielles. Voirhttp://www.polytech.univ-nantes.fr/grimplus pour de détails.
Profil recherché : - Titulairedun diplôme bac+5 en informatique (Master2 ou ingénieur), démontrant une activi-té dinitiation à la recherche. - Compétenceet intérêt pour lanalyse de données, les bases de données, la recherche din-formation. - Goûtpour une activité équilibrée entre réflexion scientifique, mise en oeuvre expérimentale, capacité à rédiger (dans la perspective darticles scientifiques et de la thèse) - Bonnemaîtrise de langlais. - Pourse voir attribuer la bourse par lécole doctorale, létudiant(e) candidat(e) devra figurer dans le premier tiers du classement de sa promotion.
Contacts pour sinformer ou candidater:marc.gelgon@univ-nantes.fr, 02 40 68 32 02
Description du sujet de thèse : Résumé.
Le clustering (classification non supervisée) de données est une tâche centrale en bases de don-nées et apprentissage automatique. Cette thèse propose davancer dans la voie de recherche con-nue sur le nom d ensemble clustering, cherchant à exploiter conjointement des processus ou ré-sultats de clusterings multiples. On recherche, par cette voie de travail, des clusterings plus fia-bles et utiles, et en même temps, pouvoir traiter des situations présentant des contraintes de con-fidentialité sur les données.
Mots clés. Bases de données, apprentissage automatique, classification non supervisée, cluste-rings multiples.
Introduction
Contexte et problématique
La structuration de jeux de données par classification non supervisée (=clustering) est une tâche classique et centrale, en bases de données comme en apprentissage automa- tique. Dans la dé-marche usuelle, on dispose dun jeu de données, on lui applique un algorithme de clustering quon espère performant et on obtient un résultat. La littérature en la matière est très riche. En classification supervisée, un axe de recherche également établi, depuis 15 ans, concerne les techniques dites d ensemble» : de bonnes propriétés théoriques ont été établies concernant la possibilité de construire des classifieurs très performants, par com- binaison de classifieurs fai-bles», c.a.d. de performance modeste. Des algorithmes pra- tiques et de très bons résultats ont été montrés pour des applications diverses [1]. Si, sur ce point, la classification non supervisée ne dispose pas encore dun bagage théorique aussi établi que la classification supervisée, la question de lexploitation conjointe de plusieurs résultats de clusterings est un réel enjeu, et de travaux fondateurs [2] et de progrès plus récents [3,4]. La diversité des méthodes disponibles pour faire du clustering et de la diversité de leur pa-ramétrisations résultent, pour un même jeu de données, des résultats de clustering potentielle-ment assez variés. Lobjectif général de ce travail de thèse est de chercher à tirer profit de la diversité de résultats de clustering disponibles pour un même jeu de données.
Problèmes et opportunités
Une des raisons de construire plusieurs clusterings sur un même jeu de données, puis de les combiner, est despérer améliorer les performances générales de lopération. Néan- moins, parce chaque algorithme de clustering fait ses propres hypothèses sur ce quest un bon clustering» et pose son propre modèle sur les données, une réflexion sur la défi- nition de cette performance», dans le cas de combinaison de clusterings menés par des techniques diverses, sera dailleurs à mener au cours de la thèse. Comment combiner les clusterings (clustering» ici plus général que partition», car les natures mathématiques des résultats de clustering peuvent être diverses) ? Quelles sont les propriétés souhai- tables sur la diversité des clusterings ? Comment tirer parti de cette diversité, de manière plus riche que la recherche dun unique clustering consensuel ? On sintéressera en particulier aux cas suivants : • les clusterings individuels sont réalisés sur le même ensemble dindividus, mais me- nés sépa-rément sur différentes variables. Cette situation peut être motivée par des problèmes de confi-dentialité sur les données, une volonté de performance de calcul, la malédiction de la dimension, ou encore la construction de clusterings multi- objectifs difficilement atteignables par un examen conjoint des variables, selon un procédé usuel. Au delà dun traitement à posteriori, on examine-ra, dans cette situation, les possibilités et lopportunité de faire collaborer (guider/contraindre) les processus de clustering, sur les différentes variables, en cours de route.
Page 2
• le cas où les clusterings sont menés sur les axes spatial et temporel dun même jeu de don-nées. On sintéressera, dans ce cas, aux données dites "sociales" (enjeu des systèmes de partage de données personnelles). • Enfin, on proposera des outils dinterrogation des clusterings ainsi produits (langage, algèbre). Ce travail de thèse pourrait exploiter des acquis importants de léquipe GRIM en matière dagré-gation de clustering [5,6,7], de traitement de données spatio-temporelles [8], et sarticuler avec des travaux en cours sur lanonymisation de données.
[2] Alexander Strehl and J. Ghosh, Cluster ensembles – a knowledge reuse framework for combi-ning multiple partitions, Journal on Machine Learning Research (JMLR) 2002.
[3] Alexander Topchy, Anil K. Jain, William Punch. Clustering Ensembles: Models of Consensus and Weak Partitions, IEEE Trans. PAMI, 2006.
[4] Hongjun Wang, Hanhuai Shan, Arindam Banerjee. Bayesian Cluster Ensembles, SIAM Interna-tional Conference on Data Mining, SDM 09.
[6] Pierrick Bruneau, Marc Gelgon, Fabien Picarougne: Parsimonious reduction of Gaussian mix-ture models with a variational-Bayes approach. Pattern Recognition 43(3): 850-858 (2010)
[7] Mounir Bechchi, Guillaume Raschia, Noureddine Mouaddib, Joining Distributed Database Summaries, Rapport de recherche INRIA N 6728, Hal : http://hal.archives-ouvertes.fr/docs/00/34/65/28/PDF/RR-6768.pdf
[8] Antoine Pigeau: MyOwnLife: incremental and hierarchical classification of a personal image collection on mobile devices. Multimedia Tools Appl. 46(2-3): 289-306 (2010)
CV du directeur de thèse Marc Gelgon est professeur à PolytechNantes et responsable de léquipe GRIM du LINA. Ses intérêts de recherche portent sur les modèles probabilistes et, en particulier, leur estimation sur les données distribuées.
Parsimonious reduction of Gaussian mixture models with a variational-Bayes approach Bruneau P., Gelgon M., Picarougne F. Pattern Recognition43(2010) 850-858
Aggregation of probabilistic PCA mixtures with a variational-Bayes technique over parame-ters Bruneau P., Gelgon M., Picarougne F. DansProc. of Int. Conf. on Pattern Recognition-IEEE/IAPR Int. Conf. on Pattern Recognition, Turquie (2010)
CV du co-encadrant
Page 3
Guillaume Raschia est maître de conférences à PolytechNantes. Ses intérêts de recherche portent sur le résumé de données et de séquences, lintégration de données, le k-anonymat et les techno-logies de bases de données pour la préservation de la vie privée.
Production de jeux de données anonymes par une technique d'indexation spatiale Raschia G., Anjum A. DansActes de l'atelier "Protection de la Vie Privée"-Atelier "Protection de la Vie Privée", France (2010)
Time Sequence Summaries to Scale Up Time-dependent Applications Pham Q.-K., Raschia G., Mouaddib N., Saint-Paul R., Benatallah B. DansProceeding of the 18th ACM Conference on Information and Knowledge Manage-ment (CIKM)-18th ACM Conference on Information and Knowledge Management (CIKM), Chine (2009)
CV du co-encadrant Antoine Pigeau est maître de conférences à PolytechNantes. Ses intérêts de recherche portent sur le clustering de données, en particulier dans le cas des données spatio-temporelles.
Incremental and hierarchical classification of a personal image collection on mobile devi-ces Pigeau A. Journal of Multimedia Tools and Applications46, 2-3 (2010) 289-306 Geo-temporal structuring of a personal image database with two-level variational-Bayes mixture estimation Bruneau P., Pigeau A., Gelgon M., Picarougne F. DansRevised selected papers from Adaptive Multimedia Retrieval workshops (AMR'08-AMR'09)-Adaptive Multimedia Retrieval workshop (AMR'08), Allemagne (2008)