增量高平均效用项集挖掘：综述与挑战
计算机视觉与模式识别
2024-11-22 v2
摘要
高平均效用项集挖掘（HAUIM）技术是高效用项集挖掘（HUIM）的一个变体，使用项集的平均效用。历史上，大多数 HAUIM 算法设计用于静态数据库。然而，实际应用如市场篮子分析和业务决策需要定期更新数据库以包含新交易。因此，研究人员开发了增量 HAUIM（iHAUIM）算法，以在动态更新的数据库中识别 HAUIs。与传统方法从头开始不同，iHAUIM 算法促进增量变更和输出，从而降低发现成本。本文提供了最新 iHAUIM 算法的综合综述，分析其独特特征和优势。首先，我们解释了 iHAUIM 的概念，提供公式和真实世界例子以深入理解。随后，我们对各种类型的 iHAUIM 算法所使用的关键技术进行分类和讨论，涵盖 Apriori-based、Tree-based 和 Utility-list-based 技术。此外，我们对每种挖掘方法的优缺点进行了批判性分析。最后，我们探讨了 iHAUIM 算法的潜在未来方向、研究机会以及各种扩展。
引用
@article{arxiv.2407.11424,
title = {Model Inversion Attacks Through Target-Specific Conditional Diffusion Models},
author = {Ouxiang Li and Yanbin Hao and Zhicai Wang and Bin Zhu and Shuo Wang and Zaixi Zhang and Fuli Feng},
journal= {arXiv preprint arXiv:2407.11424},
year = {2024}
}