[論文レビュー] Class Association Rules Mining based Rough Set Method

Thabet Slimani|arXiv (Cornell University)|Sep 17, 2015

Data Mining Algorithms and Applications参考文献 10被引用数 5

ひとこと要約

本論文では、下近似集合を用いてサポートと信頼度を計算することで、Aprioriアルゴリズムにインspiredされた、クラス関連ルール（CARs）を抽出するための粗さ集合ベースの手法を提案する。このアプローチは、粗さ集合理論を活用することでCARの発見を単純化し、従来の関連ルール抽出法と比較して、解釈可能性が向上した効率的かつ効果的なルール生成を実現する。

ABSTRACT

This paper investigates the mining of class association rules with rough set approach. In data mining, an association occurs between two set of elements when one element set happen together with another. A class association rule set (CARs) is a subset of association rules with classes specified as their consequences. We present an efficient algorithm for mining the finest class rule set inspired form Apriori algorithm, where the support and confidence are computed based on the elementary set of lower approximation included in the property of rough set theory. Our proposed approach has been shown very effective, where the rough set approach for class association discovery is much simpler than the classic association method.

研究の動機と目的

• 従来のクラス関連ルール抽出手法の複雑さと非効率性に対処すること。
• 粗さ集合理論を関連ルール抽出と統合することで、CARの発見を単純化すること。
• 下近似集合のサポートと信頼度の測定を用いて、最良のクラスルール集合を効率的に抽出するアルゴリズムを開発すること。
• クラス関連ルール生成における解釈可能性の向上と計算コストの低減を図ること。
• 古典的関連ルール手法と比較して、粗さ集合ベースの手法の有効性を示すこと。

提案手法

• 提案手法は、意思決定クラスの下近似を基に、クラス関連ルールを定義する粗さ集合理論を用いる。
• サポートと信頼度は、下近似から導かれる基本集合を用いて計算され、粗さ集合の原則に整合する。
• 頻度の高いアイテムセットを生成するために、Aprioriにインスパイされたアルゴリズムが用いられ、粗さ集合で定義されたサポート閾値に基づくプルーニングが行われる。
• アルゴリズムは繰り返し、頻度の高いアイテムセットから候補ルールを構築し、下近似に基づく信頼度で評価する。
• 最も具体的な下近似集合に焦点を当てることで、最小限の重複を確保する。
• 事前の離散化や複雑な前処理の必要がなくなるため、効率性が向上する。

実験結果

リサーチクエスチョン

• RQ1 粗さ集合理論は、クラス関連ルール抽出を簡素化するためにどのように効果的に適用可能か？
• RQ2 下近似集合を用いることで、CAR抽出におけるサポートと信頼度の計算にどのような影響を与えるか？
• RQ3 Aprioriにインスパイされたアルゴリズムは、粗さ集合ベースのサポートと信頼度測定と効率的に連携できるか？
• RQ4 提案手法は、従来の関連ルール抽出手法と比較して、効率性と正確性の面でどのように異なるか？
• RQ5 この粗さ集合ベースの手法によって生成されたルール集合の品質と解釈可能性はどの程度か？

主な発見

• 提案された粗さ集合ベースの手法は、古典的関連ルール抽出法と比較して、クラス関連ルールの発見を著しく単純化する。
• 下近似集合の使用により、サポートと信頼度の正確で一貫性のある計算が可能になり、ルールの信頼性が向上する。
• Aprioriにインスパイされたアルゴリズムは、計算コストを低減しつつ、最良のクラスルール集合を効率的に生成する。
• 下近似から得られる最も具体的なルールに注目することで、最小限の重複を伴う高品質なルール集合が得られる。
• 本手法は有効かつスケーラブルであり、Peer-reviewedジャーナル（IJET, 2014–2015）への掲載を通じてその有効性が実証された。
• 結果から、粗さ集合ベースのCAR抽出は、従来の手法よりも解釈可能性が高く、効率的であることが確認された。