NAP

La plupart des modèles d'apprentissage automatique s'attendent à recevoir en entrée des tableaux avec des échantillons en lignes et des attributs en colonnes. En réalité, la grande majorité des données structurées sont stockées dans des bases de données relationnelles, où les informations sont dispersées dans plusieurs tables. Par exemple, un patient atteint d'un cancer peut avoir des informations dispersées dans des tables de radiothérapie, de chimiothérapie et de chirurgie en fonction de son traitement. Cette représentation des données, bien que naturelle, crée des entrées de taille variable, avec des sous-ensembles d'attributs hétérogènes. Cela pose des difficultés pour l'apprentissage automatique, car la majorité des modèles nécessitent des représentations vectorielles de taille fixe. Une représentation alternative des données peut être obtenue en opérant une jointure sur les tables d'intérêt, créant une seule table avec des valeurs manquantes [Non Applicable]. Ce projet vise à développer des architectures de réseaux neuronaux appropriées et théoriquement fondées pour les données [Non Applicable] et relationnelles.