Règles d'association par apprentissage actif
- Introduite par
- Dzyuba, V. & van Leeuwen, M.; Boley, M. et al.
- Année
- 2010s
- Type
- Interactive pattern mining
- Famille
- Machine learning
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
Les règles d'association par apprentissage actif combinent la boucle itérative de requête et d'étiquetage de l'apprentissage actif avec l'extraction de règles d'association, permettant à un expert humain de guider le processus de découverte de manière interactive.
Au lieu d'énumérer exhaustivement toutes les règles au-dessus d'un seuil fixe de support-confiance, le système sélectionne les candidats de règles les plus informatifs et demande à l'utilisateur de juger de leur intérêt, concentrant la recherche sur des motifs subjectivement utiles.
L’intuition derrière la méthode
L'extraction standard de règles d'association submerge l'utilisateur avec des milliers de règles dépassant un seuil de support minimum, dont la plupart sont redondantes ou non pertinentes. L'apprentissage actif inverse cette tendance : l'algorithme ne présente que les candidats de règles les plus incertains ou surprenants à un expert humain, recueille des commentaires sur l'intérêt de chaque règle, et met à jour son modèle des préférences de l'utilisateur après chaque requête. Au fil des tours successifs, il apprend à distinguer les règles qui intéressent l'analyste du bruit, réduisant considérablement l'espace de recherche et faisant ressortir des motifs exploitables beaucoup plus efficacement que l'énumération exhaustive.
Histoire
Les règles d'association par apprentissage actif sont apparues dans les années 2010 en réponse au problème bien connu de l'explosion des règles dans l'extraction de règles d'association. Les travaux de Boley et de ses collègues sur l'échantillonnage direct de motifs (2013) et de Dzyuba et van Leeuwen sur l'intérêt subjectif (2017) ont établi le cadre formel pour interroger les préférences de l'utilisateur afin de guider la découverte de règles. L'approche s'inspire des recherches antérieures sur l'exploration interactive des données et se connecte à la littérature plus large sur l'apprentissage actif initiée par Cohn, Atlas et Ladner (1994).
Quand l’utiliser
Utilisez les règles d'association par apprentissage actif lorsque la base de données transactionnelle est volumineuse, que le nombre de règles dépassant le seuil est ingérable (des milliers à des millions), et qu'un expert du domaine est disponible pour fournir des commentaires itératifs pendant la session d'extraction. C'est particulièrement précieux dans les contextes de découverte de connaissances — informatique clinique, analyse du panier d'achat en détail, ou génération d'hypothèses scientifiques — où la pertinence subjective compte autant que la signification statistique. Ne l'utilisez pas lorsqu'aucun expert interactif n'est disponible, lorsque l'ensemble complet des règles est nécessaire pour une automatisation en aval, ou lorsque la base de données transactionnelle est si petite que l'énumération exhaustive est triviale.
Limites et points d’attention
- Nécessite un expert humain interactif tout au long de la session, ce qui est peu pratique pour les pipelines entièrement automatisés.
- La qualité des résultats dépend fortement de la cohérence et des connaissances du domaine de l'expert en étiquetage.
- Problème de démarrage à froid : le modèle de préférences est peu informatif au début, de sorte que les requêtes initiales peuvent ne pas être bien ciblées.
- L'approche est moins établie que l'extraction de règles d'association par lots, avec moins d'implémentations prêtes à l'emploi.
- L'évaluation est intrinsèquement subjective et plus difficile à comparer que les méthodes purement statistiques.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Réduit considérablement le nombre de règles qu'un utilisateur doit inspecter en concentrant la recherche sur des motifs subjectivement intéressants.
- S'adapte aux préférences de l'analyste individuel plutôt que d'imposer une mesure d'intérêt universelle.
- Se combine bien avec tout extracteur de règles de base (Apriori, FP-growth, échantillonnage aléatoire) comme étape de génération de candidats.
- Supporte l'exploration itérative sans obliger l'utilisateur à spécifier les seuils de support et de confiance à l'avance.
- Évolue vers de grands espaces de règles qui submergeraient autrement l'analyste.
Applications
- Informatique clinique : découverte de cooccurrences de médicaments-effets indésirables qu'un pharmacologue juge cliniquement plausibles.
- Analyse du panier d'achat en détail : mise en évidence d'opportunités de vente croisée qu'un chef de catégorie trouve exploitables.
- Génération d'hypothèses scientifiques : identification de motifs de cooccurrence dans des ensembles de données génomiques ou de sciences sociales qui correspondent à l'intuition de l'expert.
- Détection de fraude : extraction interactive de motifs de transaction signalés comme suspects par un analyste de fraude.
- Systèmes de recommandation : apprentissage de règles de cooccurrence d'éléments spécifiques à l'utilisateur pour personnaliser les recommandations.
Comment ça marche
Comment ça marche
Un ensemble initial de règles d'association candidates est généré — soit exhaustivement (par exemple, via Apriori ou FP-growth jusqu'à un seuil lâche), soit par échantillonnage. Cet ensemble peut être énorme dans les bases de données transactionnelles de haute dimension, de sorte que le composant d'apprentissage actif est essentiel pour la traitabilité.
Le système sélectionne la règle candidate la plus informative à présenter à l'utilisateur, généralement à l'aide d'une fonction d'acquisition telle que l'échantillonnage d'incertitude, le changement attendu du modèle, ou des scores d'intérêt subjectif. L'utilisateur étiquette la règle comme intéressante ou non intéressante.
Après chaque étiquetage par l'utilisateur, le système met à jour son modèle interne des préférences de l'utilisateur — généralement un modèle bayésien ou linéaire qui capture quelles caractéristiques de la règle (support, confiance, lift, identité de l'élément) l'utilisateur trouve attrayantes — et re-classe les candidats restants en conséquence.
En utilisant le modèle de préférences mis à jour, toutes les règles candidates restantes sont re-évaluées. Les règles à score élevé sont priorisées pour la présentation lors des tours suivants, et les règles dominées ou quasi-doublons sont élaguées pour éviter de montrer des motifs similaires de manière répétée.
La boucle continue jusqu'à ce que l'utilisateur soit satisfait, qu'un budget de requêtes fixe soit épuisé, ou que le gain attendu des requêtes supplémentaires tombe en dessous d'un seuil. Le résultat est un petit ensemble organisé de règles classées par intérêt prédit par l'utilisateur.
Pièges courants
- Présentation de règles quasi-doublons dans des requêtes successives, provoquant la fatigue de l'utilisateur et des étiquettes bruitées — utiliser des contraintes de diversité ou un élagage de redondance.
- Ignorer le problème de démarrage à froid en ne fournissant pas de règles par défaut sensées ou une courte phase de préchauffage avant le début des requêtes actives.
- Traiter la liste classée finale comme un résultat statistiquement validé sans également rapporter les métriques standard de qualité des règles (support, confiance, lift).
- Confondre le score d'intérêt subjectif avec la signification statistique objective, qui sont des quantités distinctes.
Questions fréquentes
Combien de requêtes l'utilisateur doit-il répondre ?
En pratique, des études rapportent que des modèles de préférences utiles peuvent être appris avec aussi peu que 20 à 50 requêtes, bien que le budget dépende de la diversité de l'espace des règles et de la cohérence de l'expert.
Cela remplace-t-il l'extraction standard de règles d'association ?
Non. C'est un complément : l'extraction standard (Apriori, FP-growth) est généralement utilisée pour générer les candidats, et la boucle d'apprentissage actif les filtre et les classe ensuite selon les préférences de l'expert. L'ensemble complet des règles est toujours généré en interne.
Que faire si différents experts ne sont pas d'accord sur les règles intéressantes ?
Les règles d'association par apprentissage actif apprennent un seul modèle de préférences par session. Lorsque plusieurs experts sont impliqués, les modèles de préférences peuvent être agrégés (par exemple, par vote majoritaire sur les étiquettes) ou des sessions distinctes peuvent être exécutées et leurs règles les mieux classées fusionnées.
En quoi l'intérêt diffère-t-il de la confiance ou du lift ?
La confiance et le lift sont des mesures statistiques objectives calculables à partir des données. L'intérêt subjectif dépend de l'utilisateur — une règle peut avoir un lift élevé mais être trivialement évidente pour un expert et donc non intéressante, ou avoir un lift modeste mais être nouvelle et exploitable.
Puis-je l'utiliser sans expert en étiquetage en temps réel ?
Si des étiquettes de préférences pré-collectées sont disponibles (par exemple, d'une session précédente), le modèle de préférences peut être entraîné hors ligne et appliqué en mode batch, bien que cela perde l'avantage adaptatif du retour d'information en temps réel.
Méthodes associées
Sources
Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer.
Ouvrir la référence de la publicationCopié.Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM.
Ouvrir la référence de la publicationCopié.