論文の概要: Totally-ordered Sequential Rules for Utility Maximization
- arxiv url: http://arxiv.org/abs/2209.13501v1
- Date: Tue, 27 Sep 2022 16:17:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 15:23:50.080626
- Title: Totally-ordered Sequential Rules for Utility Maximization
- Title（参考訳）: 効用最大化のための全順序逐次規則
- Authors: Chunkai Zhang, Maohua Lyu, Wensheng Gan, and Philip S. Yu
- Abstract要約: 提案するアルゴリズムはTotalSRとTotalSR+である。
TotalSRは、先行するサポートを効率的に計算できるユーティリティテーブルと、残りのユーティリティをシーケンスのO(1)時間で計算できるユーティリティプレフィックスの和リストを作成する。
実データと合成データの両方において、TotalSRはプルーニング戦略の少ないアルゴリズムよりもはるかに効率的であることを示す実験結果が多数存在する。
- 参考スコア（独自算出の注目度）: 49.57003933142011
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High utility sequential pattern mining (HUSPM) is a significant and valuable
activity in knowledge discovery and data analytics with many real-world
applications. In some cases, HUSPM can not provide an excellent measure to
predict what will happen. High utility sequential rule mining (HUSRM) discovers
high utility and high confidence sequential rules, allowing it to solve the
problem in HUSPM. All existing HUSRM algorithms aim to find high-utility
partially-ordered sequential rules (HUSRs), which are not consistent with
reality and may generate fake HUSRs. Therefore, in this paper, we formulate the
problem of high utility totally-ordered sequential rule mining and propose two
novel algorithms, called TotalSR and TotalSR+, which aim to identify all high
utility totally-ordered sequential rules (HTSRs). TotalSR creates a utility
table that can efficiently calculate antecedent support and a utility prefix
sum list that can compute the remaining utility in O(1) time for a sequence. We
also introduce a left-first expansion strategy that can utilize the
anti-monotonic property to use a confidence pruning strategy. TotalSR can also
drastically reduce the search space with the help of utility upper bounds
pruning strategies, avoiding much more meaningless computation. In addition,
TotalSR+ uses an auxiliary antecedent record table to more efficiently discover
HTSRs. Finally, there are numerous experimental results on both real and
synthetic datasets demonstrating that TotalSR is significantly more efficient
than algorithms with fewer pruning strategies, and TotalSR+ is significantly
more efficient than TotalSR in terms of running time and scalability.
- Abstract（参考訳）: 高ユーティリティシーケンシャルパターンマイニング(HUSPM)は、多くの実世界のアプリケーションによる知識発見とデータ分析において重要かつ価値のある活動である。
場合によっては、huspmは、何が起こるかを予測する優れた手段を提供できない。
高実用性シーケンシャルルールマイニング(HUSRM)は、高実用性と高信頼性シーケンシャルルールを発見し、HUSPMの問題を解決する。
既存のすべてのHUSRMアルゴリズムは、現実と一致せず、偽のHUSRを生成する可能性のある高実用性部分順序規則(HUSR)を見つけることを目的としている。
そこで本研究では,高能率完全順序規則マイニングの問題を定式化し,高能率完全順序規則(HTSR)の特定を目的としたTotalSRとTotalSR+という2つの新しいアルゴリズムを提案する。
TotalSRは、先行するサポートを効率的に計算できるユーティリティテーブルと、残りのユーティリティをシーケンスのO(1)時間で計算できるユーティリティプレフィックスの和リストを作成する。
また,反モノトニック性を利用して信頼プルーニング戦略を活用できる左側展開戦略も導入する。
totalsrはまた、ユーティリティアッパーバウンドプルーニング戦略の助けを借りて、検索スペースを大幅に削減し、より意味のない計算を回避できる。
さらに、TotalSR+は補助先行レコードテーブルを使用してHTSRをより効率的に発見する。
最後に、TotalSRはプルーニング戦略の少ないアルゴリズムよりもはるかに効率的であり、TotalSR+は実行時間とスケーラビリティの点でTotalSRよりもはるかに効率的であることを示す実データと合成データの両方に関する実験結果が多数存在する。
関連論文リスト
- The Power of Resets in Online Reinforcement Learning [73.64852266145387]
ローカルシミュレータアクセス(あるいはローカルプランニング)を用いたオンライン強化学習を通してシミュレータのパワーを探求する。
カバー性が低いMPPは,Qstar$-realizabilityのみのサンプル効率で学習可能であることを示す。
ローカルシミュレーターアクセス下では, 悪名高いExogenous Block MDP問題が抽出可能であることを示す。
論文 参考訳（メタデータ） (2024-04-23T18:09:53Z) - Discovering Utility-driven Interval Rules [35.917665876992416]
高ユーティリティシーケンシャルルールマイニング(英: High-utility Sequence Rule mining、HUSRM)は、シーケンス内のイベント間の関連を明らかにする知識発見手法である。
本研究では,実効性駆動型インターバルルールマイニング(UIRMiner)アルゴリズムを提案し,このインターバルイベントシーケンスデータベースから全実用性駆動型インターバルルール(UIR)を抽出する。
論文 参考訳（メタデータ） (2023-09-28T01:57:40Z) - HUSP-SP: Faster Utility Mining on Sequence Data [48.0426095077918]
高実用性シーケンシャルパターンマイニング (HUSPM) が重要視されている。
シークエンスプロジェクション(seqPro)と呼ばれるコンパクトな構造を設計し、シークエンスプロ構造(HUSP-SP)を用いた効率的なアルゴリズムを提案する。
HUSP-SPは, 実行時間, メモリ使用量, 検索空間のプルーニング効率, スケーラビリティにおいて, 最先端のアルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2022-12-29T10:56:17Z) - Towards Correlated Sequential Rules [4.743965372344134]
高実用性シーケンシャルルールマイニング(HUSRM)は、結果のシーケンシャルパターンの発生を予測できる信頼度や確率を調査するために設計された。
HUSRMと呼ばれる既存のアルゴリズムは、生成されたシーケンシャルルール間の相関を無視しながら、すべての許容ルールを抽出することに制限されている。
本稿では,HUSRMに相関の概念を統合するために,CoUSR(Cocorlation High-utility Sequence Rule Minr)と呼ばれる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-27T17:27:23Z) - Towards Target Sequential Rules [52.4562332499155]
ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。
新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
論文 参考訳（メタデータ） (2022-06-09T18:59:54Z) - TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。
また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。
実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
論文 参考訳（メタデータ） (2022-02-26T17:49:47Z) - US-Rule: Discovering Utility-driven Sequential Rules [52.68017415747925]
我々は,高ユーティリティシーケンシャルルールを効率的にマイニングする,US-Ruleと呼ばれる高速アルゴリズムを提案する。
より厳密な上界(LEEU, REEU, LERSU, RERSU)とそれに対応する刈り取り戦略を提案する。
US-Ruleは実行時間、メモリ消費、スケーラビリティの点でパフォーマンスが向上する。
論文 参考訳（メタデータ） (2021-11-29T23:38:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。