利用蒙特卡洛树搜索随时发现多样化的模式集
数据结构与算法
2017-12-07 v5
摘要
发现能够准确区分一个类标签与另一个类标签的模式仍然是一项具有挑战性的数据挖掘任务。子群发现 (SD) 是从标记数据中提取此类有趣假设的框架之一。一个问题仍然相当开放：当模式空间的穷举枚举不可行时，如何选择准确的启发式搜索技术？现有方法利用束搜索、采样和遗传算法来发现相对于模式质量度量而言非冗余且高质量的模式集。我们认为，此类方法产生的模式集缺乏多样性：仅发现了少数高质量且差异足够大的模式。因此，我们的主要贡献是将模式挖掘形式化定义为一种博弈，并利用蒙特卡洛树搜索 (MCTS) 对其进行求解。这可被视为一种由随机模拟引导的穷举搜索，凭借其最佳优先搜索特性，可以在早期停止（有限预算）。我们通过一组全面的实验展示了 MCTS 如何实现对高质量多样化模式集的随时发现。在处理大型模式搜索空间和不同质量度量时，其表现优于其他方法。得益于其通用性，我们的 MCTS 设置不仅可用于 SD，还可用于许多其他模式挖掘任务。
引用
@article{arxiv.1609.08827,
title = {Anytime Discovery of a Diverse Set of Patterns with Monte Carlo Tree Search},
author = {Guillaume Bosc and Jean-François Boulicaut and Chedy Raïssi and Mehdi Kaytoue},
journal= {arXiv preprint arXiv:1609.08827},
year = {2017}
}
备注
This article has been accepted for publication in the journal \textit{Data Mining and Knowledge Discovery} (December 5th, 2017)