Knowledge Discovery in Inductive Databases: 4th International Workshop, KDID 2005, Porto, Portugal, October 3, 2005, Revised Selected and Invited Papers

چهارمین کارگاه بین المللی کشف دانش در پایگاه های داده القایی (KDID 2005) در پورتو، پرتغال، در تاریخ 3 اکتبر 2005 همراه با شانزدهمین کنفرانس اروپایی در زمینه یادگیری ماشین و نهمین کنفرانس اروپایی در زمینه اصول و روش های مبتنی بر داده های اکتشافی برگزار شد. از زمان شروع دنیای داده کاوی، متوجه شده است که ادغام فناوری پایگاه داده در فرآیندهای کشف دانش یک مسئله حیاتی است. این دیدگاه در دیدگاه پایگاه داده استقرایی که توسط T. Imielinski و H. Mannila معرفی شده است، رسمیت یافته است (CACM 1996، 39(11)). ایده اصلی این است که کشف دانش را به عنوان یک فرآیند پرس و جوی گسترده در نظر بگیریم که زبان های پرس و جوی مربوطه باید برای آن مشخص شوند. بنابراین، پایگاه‌های داده استقرایی ممکن است نه تنها داده‌های معمولی، بلکه تولیدات استقرایی (مثلاً الگوها، مدل‌ها) را نیز در داخل داده‌ها داشته باشند. علیرغم بسیاری از پیشرفت‌های اخیر، هنوز نیاز مبرمی به درک مسائل اصلی در پایگاه‌های داده استقرایی وجود دارد. کاوی مبتنی بر محدودیت به عنوان یک فناوری اصلی برای پرس و جو استقرایی شناسایی شده است و نتایج امیدوارکننده ای برای انواع نسبتاً ساده الگوها (به عنوان مثال، مجموعه آیتم ها، الگوهای متوالی) به دست آمده است. با این حال، کاوی مبتنی بر محدودیت مدل‌ها همچنان یک موضوع کاملاً باز است. همچنین، طرح‌های جفت بین فن‌آوری پایگاه‌داده موجود و پرسش‌های استقرایی هنوز به خوبی درک نشده‌اند. در نهایت، تعریف یک زبان پرس و جو استقرایی با هدف کلی هنوز یک جستجوی مداوم است.

The4thInternationalWorkshoponKnowledgeDiscoveryinInductiveDatabases (KDID 2005) was held in Porto, Portugal, on October 3, 2005 in conjunction with the 16th European Conference on Machine Learning and the 9th European Conference on Principles and Practice of Knowledge Discovery in Databases. Ever since the start of the ?eld of data mining, it has been realized that the integration of the database technology into knowledge discovery processes was a crucial issue. This vision has been formalized into the inductive database perspective introduced by T. Imielinski and H. Mannila (CACM 1996, 39(11)). The main idea is to consider knowledge discovery as an extended querying p- cess for which relevant query languages are to be speci?ed. Therefore, inductive databases might contain not only the usual data but also inductive gener- izations (e. g. , patterns, models) holding within the data. Despite many recent developments, there is still a pressing need to understand the central issues in inductive databases. Constraint-based mining has been identi?ed as a core technology for inductive querying, and promising results have been obtained for rather simple types of patterns (e. g. , itemsets, sequential patterns). However, constraint-based mining of models remains a quite open issue. Also, coupling schemes between the available database technology and inductive querying p- posals are not yet well understood. Finally, the de?nition of a general purpose inductive query language is still an on-going quest.