Résumé
L'abondance actuelle des données disponibles motive la recherche pour représenter les différences qui existent entre plusieurs traces numériques d'un même processus. Dans des travaux précédents, nous avons proposé une représentation symbolique des variations entre plusieurś eléments d'un même ensemble. Dans cet article, nous allons plus loin et définissons la notion de co-variation comme une dépendance fonctionnelle entre variations. Nous montrons que cette définition permet d'obtenir une règle de déduction naturelle sur les variations, qui peut etre facilementétendue pour définir un raisonnement par similarité. Une méthode est ensuite proposée pour apprendre des co-variationsà partir de données. Dans cette méthode, les co-variations correspondent aux rè-gles d'implication d'objets dans une structure de motifs. Abstract In order to make sense of the ever-growing amount of available data, it is key to be able to capture the differences between two or more digital traces of a same process. In some previous work, a symbolic representation of the variations between two or more elements of a set was proposed. This article goes one step further and defines co-variations as functional dependencies between variations. This gives us a natural deduction rule on variations , which we show can be easily extended to perform similarity-based reasoning. A method is also proposed to learn co-variations from the data. In this method, co-variations correspond to object implication rules in a pattern structure.