Mining process factor causality links with multi-relational associations
Liens de causalité entre les facteurs du processus minier et les associations multi-relationnelles
Résumé
To make knowledge-supported decisions, industrial actors often need to examine available data for suggestive patterns. As industrial data are typically unlabeled and involve multiple object types, unsupervised multi-relational (MR) data mining methods are particularly suitable for the task. Current MR association miners merely produce singleton-conclusions rules hence might miss multi-way dependencies. Our novel MR miner builds upon a relational extension of concept analysis to extract general associations. While successfully dealing with circularity in data, it avoids producing cyclic rules by limiting the description depth of relational concepts. Our rules’ relevance was validated by an application to aluminum die casting.
Pour prendre des décisions fondées sur la connaissance, les acteurs industriels ont souvent besoin d'examiner les données disponibles pour trouver des modèles suggestifs. Comme les données industrielles sont généralement non étiquetées et impliquent de multiples types d'objets, les méthodes d'exploration de données multi-relationnelles (MR) non supervisées sont particulièrement adaptées à cette tâche. Les chercheurs d'association actuels ne font que produire des règles de conclusions simples et peuvent donc manquer les dépendances à plusieurs voies. Notre nouveau chercheur MR s'appuie sur une extension relationnelle de l'analyse conceptuelle pour extraire des associations générales. Tout en traitant avec succès la circularité des données, il évite de produire des règles cycliques en limitant la profondeur de description des concepts relationnels. La pertinence de nos règles a été validée par une application au moulage sous pression de l'aluminium.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...