Extraction différentiable d'ensemble de motifs d'intervalles

L'exploration de motifs est une technique clé pour extraire des connaissances à partir de données complexes. Néanmoins, les méthodes traditionnelles basées sur l'énumération peinent souvent à passer à l'échelle et produisent de grands ensembles de motifs redondants ou trop génériques, limitant leur utilité pratique. Les récentes méthodes différentiables d'exploration de motifs offrent une alternative prometteuse en combinant architectures neuronales et contraintes symboliques pour apprendre des motifs compacts et interprétables. Toutefois, ces méthodes restent limitéesaux données binaires. Dans ce travail, nous introduisons un nouveau cadre différentiable pour extraire des motifs d'intervalles directement à partir de données numériques. Notre approche préserve la sémantique des variables continues sans discrétisation ou binarisation, permettant la découverte d'ensembles de motifs concis et interprétables. Nous démontrons l'utilité de notre méthode pour la détection d'anomalies, atteignant des résultats à l'état de l'art sur plusieurs jeux de données de référence tout en garantissant scalabilité et interprétabilité.