La parallélisation des algorithmes apparait comme la manière la plus prometteuse d’accroître les ressources de calcul disponibles. Le calcul distribué est par conséquent fortement sollicité en data mining où les données sont de plus en plus importantes et complexes. Parmi les algorithmes populaires de la fouille de données, les algorithmes dits de clustering tiennent une place de choix. Il s’agit de partitionner les données, souvent de grande dimension, en groupes d’objets similaires. Ces algorithmes se doivent d’être performants suivant les critères de groupement mais également en termes de temps de calcul pour de grands jeux de données. La parallélisation sur plusieurs machines fait apparaître de nombreuses difficultés comme par exemple les délais de communications. De plus, il est parfois difficile d’orchestrer une synchronisation des instances de calcul sans dégrader les performances de temps. Un algorithme dit asynchrone semble alors indiqué pour tenter de résoudre ces problèmes de calcul à grande échelle.
Cet exposé se déroulera en trois étapes. Tout d’abord nous présenterons l’algorithme stochastique de Competitive Learning Vector Quantization (CLVQ) ainsi que certains résultats de convergence obtenus par Pagès et Fort. Ensuite nous porterons notre attention sur les travaux de Berteskas et Tsitisklis sur les algorithmes parallèles, itératifs, linéaires et asynchrones. Dans cette partie nous introduirons le modèle générique et nous donnerons un ensemble de conditions nécessaires pour l’existence de consensus au sein de ces systèmes distribués. Dans une troisième et dernière partie nous nous proposons de réunir la méthode de CLVQ et les modèles distribués asynchrones évoqués précédemment. De cette réunion découle un algorithme que nous dénommons Distributed Asynchronous Learning Vector Quantization (DALVQ) et dont nous donnerons un résultat de convergence.