用于模式挖掘的带保证的灵活约束采样
人工智能
2017-03-30 v2 数据库
机器学习
摘要
模式采样已被提出作为解决臭名昭著的模式爆炸的潜在方案。它不是枚举满足约束的所有模式，而是根据给定质量度量按比例采样单个模式。已有若干采样算法被提出，但每个在以下方面存在局限：1）所用质量度量与约束的灵活性，和/或 2）关于采样精度的保证。因此我们提出Flexics，首个支持广泛类别质量度量与约束，同时提供关于采样精度的强保证的灵活模式采样器。为实现此目标，我们利用将模式挖掘视为约束满足问题的视角，并基于SAT中采样解决方案的最新进展以及现有模式挖掘算法构建。此外，所提算法适用于多种模式语言，使我们能够引入并处理新颖的模式集采样任务。我们引入并经验评估了Flexics的两种变体：1）一种通用变体，处理著名的项集采样任务和新颖的模式集采样任务，以及这些任务内广泛的表达式约束；2）一种专门变体，利用现有频繁项集技术实现大幅加速。实验表明Flexics既准确又高效，使其成为基于模式的数据探索的有用工具。
引用
@article{arxiv.1610.09263,
title = {Flexible constrained sampling with guarantees for pattern mining},
author = {Vladimir Dzyuba and Matthijs van Leeuwen and Luc De Raedt},
journal= {arXiv preprint arXiv:1610.09263},
year = {2017}
}
备注
Accepted for publication in Data Mining & Knowledge Discovery journal (ECML/PKDD 2017 journal track)