[論文レビュー] Discovering Descriptive Tile Trees by Mining Optimal Geometric Subtiles

Nikolaj Tatti, Jilles Vreeken|arXiv (Cornell University)|Feb 7, 2019

Data Mining Algorithms and Applications参考文献 26被引用数 8

ひとこと要約

この論文では、順序付き2値データから階層的タイルツリーを抽出するための、グリーディでMDLに基づくアルゴリズムStijlを提案する。これは、記述長を最小限に抑える簡潔で解釈可能なモデルを発見する。効率的に局所最適な幾何的部分タイルをΘ(NM min(N,M))の時間で特定し、パラメータフリーで重複のない高品質なタイルツリーを高速に発見可能であり、データを最小記述長で要約する。

ABSTRACT

When analysing binary data, the ease at which one can interpret results is very important. Many existing methods, however, discover either models that are difficult to read, or return so many results interpretation becomes impossible. Here, we study a fully automated approach for mining easily interpretable models for binary data. We model data hierarchically with noisy tiles-rectangles with significantly different density than their parent tile. To identify good trees, we employ the Minimum Description Length principle. We propose STIJL, a greedy any-time algorithm for mining good tile trees from binary data. Iteratively, it finds the locally optimal addition to the current tree, allowing overlap with tiles of the same parent. A major result of this paper is that we find the optimal tile in only $Θ(NM\min(N, M))$ time. STIJL can either be employed as a top-$k$ miner, or by MDL we can identify the tree that describes the data best. Experiments show we find succinct models that accurately summarise the data, and, by their hierarchical property are easily interpretable.

研究の動機と目的

• 既存の2値データマイニング手法が生み出す複雑で冗長な結果の解釈を困難にする課題に対処すること。
• 2値データの簡潔で階層的なモデルを自動的に、パラメータフリーで発見するための手法を開発すること。
• 階層的タイル構造を通じて、モデルが簡潔で解釈可能であることを保証すること。
• 最適なデータ圧縮を達成するため、記述長最小化（MDL）原則を用いたモデル選択を形式化すること。
• 段階的にモデル品質を向上させるany-timeアルゴリズムにより、インタラクティブな探索を可能にすること。

提案手法

• ノイズの多いタイル（親と比べて密度が著しく異なる幾何的部分行列）を用いて、2値データを階層的にモデル化する。
• 調整パラメータが不要な最適なタイルツリーの評価と選択に、記述長最小化（MDL）原則を採用する。
• グリーディでany-timeのアルゴリズムを用い、反復的に現在のツリーに局所最適な部分タイルを追加する。同じ親内での重複を許容する。
• 最適な部分タイルをΘ(NM min(N,M))時間で計算する新規手順FindTileを導入。これは、単純なΘ(N²M²)アプローチに比べ顕著な改善をもたらす。
• データの順序（行および列）を活用することで、幾何的タイルと視覚的に解釈可能な階層的構造を実現する。
• top-kマイニングとMDL最適化モデル選択を両方サポートし、圧縮品質に基づく自動モデル選択を可能にする。

実験結果

リサーチクエスチョン

• RQ1 2値データに対して、自動的に簡潔で重複のない、解釈可能なモデルを発見する方法は何か？
• RQ2 データサイズにほぼ線形に近い時間で、成長中のタイルツリーに追加する局所最適な部分タイルを効率的に特定できるか？
• RQ3 同じ親内でのタイルの重複を許容することで、非交差タイリングと比較してモデル品質と解釈可能性にどのような影響を与えるか？
• RQ4 MDL原則は、階層的タイルツリーに効果的に適用可能であり、パrameter-freeなモデル選択を実現できるか？
• RQ5 タイルツリーの階層的構造は、2値データのパターンに対する人間の解釈可能性をどの程度向上させるか？

主な発見

• Stijlは、14個のタイルのみで、古生物学的データを正確に要約し、密集領域と疎らな領域を明確に可視化する。
• 重複を許容するモデルは、非交差タイリングと比較して、より良いMDLスコアと洗練され、解釈しやすい構造を達成する。
• Abstractsデータセットでは、Stijlが頻出語「propose」「efficient」「method」「algorithm」を含む左上隅の密集領域を正しく同定する。
• FindTileは、Θ(NM min(N,M))時間で最適な部分タイルを計算する。これは、単純なΘ(N²M²)アプローチに比べ顕著な改善である。
• アルゴリズムはインタラクティブ利用に十分に高速であり、実行時間は数秒から数時間の範囲に収まり、段階的なモデル精錬をサポートする。
• 階層的構造により、直感的な視覚的検査が可能となり、ネストされたタイル（例：明るいタイル内に濃いタイル）が、密度のネストされたパターンを明確に示す。