[論文レビュー] Any-time Diverse Subgroup Discovery with Monte Carlo Tree Search.

Guillaume Bosc, Chedy Raïssi+2 more|arXiv (Cornell University)|Sep 28, 2016

Data Mining Algorithms and Applications参考文献 26被引用数 3

ひとこと要約

本稿では、パターンの多様性と品質を向上させるために、従来のビームサーチに代えてモンテカルロ木探索（MCTS）を用いるAny-Time多様な部分群発見の手法を提案する。MCTSの探索と活用のバランスに加え、ランダム探索を活用することで、時間の経過に伴い次第に優れた解が得られ、複数のベンチマークおよび実世界のデータセットにおいて、さまざまな品質指標でビームサーチを上回る。

ABSTRACT

Discovering descriptions that highly distinguish a class label from another is still a challenging task. Such patterns enable the building of intelligible classifiers and suggest hypothesis that may explain the presence of a label. Subgroup Discovery (SD), a framework that formally defines this pattern mining task, still faces two major issues: (i) to define appropriate quality measures characterizing the singularity of a pattern; (ii) to choose an accurate heuristic search space exploration when a complete enumeration is unfeasible. To date, the most efficient SD algorithms are based on a beam search. The resulting pattern collection lacks however of diversity due to its greedy nature. We propose to use a recent exploration technique, Monte Carlo Tree Search (MCTS). To the best of our knowledge, this is the first attempt to apply MCTS for pattern mining. The exploitation/exploration trade-off and the power of random search leads to any-time mining (a solution is available any-time and improves) that generally outperforms beam search. Our empirical study on various benchmark and real-world datasets shows the strength of our approach with several quality measures.

研究の動機と目的

• ターゲットクラスを他のクラスと区別する高品質で多様な部分群パターンを発見する課題に対処すること。
• 特にグリーディな探索による多様性の欠如という点で限界を示すビームサーチの問題を克服すること。
• モンテカルロ木探索（MCTS）をパターンマイニングに初めて応用すること。
• 継続的に改善される解が得られるAny-Time動作を可能にすること。
• 探索と活用の原理的トレードオフを用いて、部分群発見の品質と多様性を向上させること。

提案手法

• 仮説空間の木構造的探索としてパターン探索をモデル化することで、部分群発見タスクにモンテカルロ木探索（MCTS）を適応する。
• MCTSに内在する活用／探索のトレードオフを活用し、高品質なパターンと新規で多様なパターンの両方をバランスよく発見する。
• 完全な列挙を必要とせずに、探索空間の有望な領域へと探索を誘導するために、MCTSにおけるランダムロールアウトを採用する。
• ノードが候補パターンを表し、エッジが属性値の拡張を表す木構造を維持する。
• ノード評価関数として、リフト、カバレッジ、サポートなどの品質指標を統合し、意味のあるパターンへと探索を誘導する。
• 木の継続的な精錬と時間の経過に伴う最良解の改善を通じて、Any-Time動作を実現する。

実験結果

リサーチクエスチョン

• RQ1 MCTSは、発見された部分群パターンの品質と多様性の両面でビームサーチを上回ることができるか？
• RQ2 MCTSのAny-Time特性は、実世界の応用における部分群発見の実用的利便性をどのように向上させるか？
• RQ3 MCTSの探索メカニズムは、グリーディなビームサーチと比較して、どの程度パターンの多様性を向上させるか？
• RQ4 MCTSは、ベンチマークおよび実世界のデータを含むさまざまな品質指標と多様なデータセットで、どの程度の性能を示すか？

主な発見

• MCTSを用いた部分群発見は、リフト、カバレッジ、統計的有意性を含む、複数の品質指標でビームサーチを一貫して上回る。
• MCTSの内在的な探索メカニズムのおかげで、ビームサーチに見られる重複を避けることができ、最終的なパターン集合の多様性が高まる。
• MCTSのAny-Time性により、時間の経過に伴い次第に優れた解が得られるため、インタラクティブまたは時間制約のある環境に適している。
• さまざまなベンチマークおよび実世界のデータセットにおける実験的評価により、提案手法のロバスト性と有効性が確認された。
• MCTSにおけるランダムロールアウトの使用により、網羅的列挙を伴わずに、大規模で複雑な探索空間を効率的に探索可能となった。