論文の概要: Discovering Utility-driven Interval Rules

• arxiv url: http://arxiv.org/abs/2309.16102v1
• Date: Thu, 28 Sep 2023 01:57:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 18:15:43.847772
• Title: Discovering Utility-driven Interval Rules
• Title（参考訳）: ユーティリティ駆動区間規則の発見
• Authors: Chunkai Zhang, Maohua Lyu, Huaijin Hao, Wensheng Gan, Philip S. Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 35.917665876992416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For artificial intelligence, high-utility sequential rule mining (HUSRM) is a knowledge discovery method that can reveal the associations between events in the sequences. Recently, abundant methods have been proposed to discover high-utility sequence rules. However, the existing methods are all related to point-based sequences. Interval events that persist for some time are common. Traditional interval-event sequence knowledge discovery tasks mainly focus on pattern discovery, but patterns cannot reveal the correlation between interval events well. Moreover, the existing HUSRM algorithms cannot be directly applied to interval-event sequences since the relation in interval-event sequences is much more intricate than those in point-based sequences. In this work, we propose a utility-driven interval rule mining (UIRMiner) algorithm that can extract all utility-driven interval rules (UIRs) from the interval-event sequence database to solve the problem. In UIRMiner, we first introduce a numeric encoding relation representation, which can save much time on relation computation and storage on relation representation. Furthermore, to shrink the search space, we also propose a complement pruning strategy, which incorporates the utility upper bound with the relation. Finally, plentiful experiments implemented on both real-world and synthetic datasets verify that UIRMiner is an effective and efficient algorithm.
• Abstract（参考訳）: 人工知能では、高利用シーケンシャルルールマイニング(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。 近年,高能率配列規則の発見に有効な手法が提案されている。 しかし、既存のメソッドはすべてポイントベースのシーケンスに関連している。 一定期間持続するインターバルイベントは一般的である。 伝統的なインターバルイベントシーケンス知識発見タスクは主にパターン発見に焦点を当てているが、パターンはインターバルイベント間の相関関係をよく明らかにすることはできない。 さらに、既存のHUSRMアルゴリズムは、インターバルイベントシーケンス間の関係がポイントベースのシーケンスよりもはるかに複雑であるため、インターバルイベントシーケンスに直接適用することはできない。 本研究では,この課題を解決するために,すべてのユーティリティ駆動インターバルルール(uirs)をインターバル-イベントシーケンスデータベースから抽出できるユーティリティ駆動インターバルルールマイニング(uirminer)アルゴリズムを提案する。 UIRMinerでは、まず関係表現の数値符号化を導入し、関係計算と関係表現の記憶に多くの時間を費やすことができる。 さらに,探索空間を縮小するために,その関係に効用上限を組み込んだ補完的刈り取り戦略を提案する。 最後に、現実世界と合成データセットの両方で実装された豊富な実験は、uirminerが効果的で効率的なアルゴリズムであることを検証する。

関連論文リスト

• Associative Knowledge Graphs for Efficient Sequence Storage and Retrieval [3.355436702348694]
  シーケンスの保存と認識に非常に効果的な連想的知識グラフを作成します。 個々のオブジェクト(ノードとして表現される)は、複数のシーケンスの一部あるいは単一のシーケンス内で繰り返し現れる。 このアプローチは、金融取引における異常検出や過去の行動に基づくユーザの振る舞いの予測など、さまざまな分野への応用の可能性を持っている。
  論文  参考訳（メタデータ） (2024-11-19T13:00:31Z)
• Ego-Network Transformer for Subsequence Classification in Time Series Data [36.591480151951515]
  実世界の時系列データは、しばしば背景のサブシーケンスと連動する前景のサブシーケンスを含む。 本稿では,各サブシーケンスをエゴネットワークとして表現する新しいサブシーケンス分類法を提案する。 提案手法は158個のデータセットのうち104個のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-11-05T04:21:42Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• 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)
• Totally-ordered Sequential Rules for Utility Maximization [49.57003933142011]
  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。
  論文  参考訳（メタデータ） (2022-09-27T16:17:58Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• Learning Temporal Point Processes for Efficient Retrieval of Continuous Time Event Sequences [24.963828650935913]
  NEUROSEQRETは,あるクエリシーケンスに対して,関連する連続時間イベントシーケンスの検索とランク付けを学習する。 精度と効率のトレードオフを提供する関係モデルの2つの変種を開発する。 いくつかのデータセットを用いて行った実験では、NEUROSEQRETの精度がいくつかのベースラインを超えていることが示されている。
  論文  参考訳（メタデータ） (2022-02-17T11:16:31Z)
• Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
  我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。 本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T01:29:02Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• COHORTNEY: Deep Clustering for Heterogeneous Event Sequences [9.811178291117496]
  イベントシーケンスのクラスタリングは、ヘルスケア、マーケティング、金融などの分野で広く適用されます。 異種事象列をクラスタリングするための新しい深層学習手法としてCOHORTNEYを提案する。 その結果,cohortneyは,イベントシーケンスをクラスタリングする最先端アルゴリズムの速度とクラスタ品質を大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-03T16:12:21Z)

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。