User Tools

Site Tools


prim1314triggering

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
prim1314triggering [2013/10/15 17:11]
mplantev
prim1314triggering [2013/10/15 17:15]
mplantev
Line 3: Line 3:
 ===== Des motifs pour expliquer les changements topologiques ===== ===== Des motifs pour expliquer les changements topologiques =====
  
-** Encadrants : ** Marc Plantevit & Mehdi Kaytoue+** Encadrants : ** Marc Plantevit (Marc(dot)Plantevit(AT)liris.cnrs.fr) & Mehdi Kaytoue (Mehdi(dot)Kaytoue(AT)liris.cnrs.fr)
  
 ==== Contexte ==== ==== Contexte ====
Line 15: Line 15:
  
  
-{{ ::r.png?800 |}}+{{ ::r.png?800 |Deux exemples du graphe induit par les noeuds supportant un motif extrait à partir de données réelles}} 
 + 
 + 
 +==== Travail Demandé ==== 
 + 
 +Tout d'abord, il s'agira de se familiariser avec les notions classiques de fouilles de motifs (séquentiels), et des propriétés de graphes. Il faudra ensuite comprendre l'algorithme, composé de trois étapes : description de chaque noeud par une séquence de variations de valeurs d'attributs, fouille de motifs caractéristiques, et post-traitement de ces motifs. Il sera demandé de programmer les étapes une et deux en C++ (Code java existant dans un certaine mesure) et d'expérimenter l’algorithme sur trois jeu de données existants : un réseau de co-auteurs de publications scientifiques (DBLP), un réseau du trafic aérien aux États-Unis (RITA), et enfin des données issues du site del.ico.us. L'interprétation des résultats d'expérimentation vous pousserons à vous questionner sur les choix faits pour caractériser ce qu'est une "variation de valeur d'attribut"
 + 
 +==== Bibliographie ==== 
 +  * Dong, G. et J. Li (1999). Efficient mining of emerging patterns : discovering trends and dif- ferences. In Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, KDD ’99, New York, NY, USA, pp. 43–52. ACM. 
 +  * Pei, J., J. Han, B. Mortazavi-Asl, H. Pinto, Q. Chen, U. Dayal, et M. Hsu (2001). Prefixspan : Mining sequential patterns by prefix-projected growth. In D. Georgakopoulos et A. Buch- mann (Eds.), ICDE, pp. 215–224. IEEE Computer Society. 
 +  * Yan, X., J. Han, et R. Afshar (2003). Clospan : Mining closed sequential patterns in large databases. In D. Barbará et C. Kamath (Eds.), SDM. SIAM. 
 +  * E. Desmier, M. Plantevit, C. Robardet, and J.-F. Boulicaut. Trend mining in dynamic attributed graphs. In ECML/PKDD, pages 654–669, 2013. 
 + 
 + 
 + 
 + 
 +<HTML> 
 +<script type="text/javascript"> 
 +var gaJsHost = (("https:" == document.location.protocol) ? "https://ssl." : "http://www."); 
 +document.write(unescape("%3Cscript src='" + gaJsHost + "google-analytics.com/ga.js' type='text/javascript'%3E%3C/script%3E")); 
 +</script> 
 +<script type="text/javascript"> 
 +try { 
 +var pageTracker = _gat._getTracker("UA-5863625-2"); 
 +pageTracker._trackPageview(); 
 +} catch(err) {}</script> 
 + 
 +</HTML>
prim1314triggering.txt · Last modified: 2013/10/15 17:15 by mplantev

CNRS INSA de Lyon Université Lyon 1 Université Lyon 2 École centrale de Lyon