[論文レビュー] Multi Relational Data Mining Approaches: A Data Mining Technique

Neelamadhab Padhy, Rasmita Panigrahi|arXiv (Cornell University)|Nov 16, 2012

Data Mining Algorithms and Applications参考文献 9被引用数 9

ひとこと要約

本稿では、正規化された複数のリレーショナルデータベーステーブルに跨る構造化データを直接マイニングする手法として、マルチリレーショナルデータマイニング（MRDM）を提案する。この手法は、コストの高いジョイン処理や命題化による意味的損失を回避する。ILP、GM、SSDM、およびMRDMを比較し、特にバイオインフォマティクス分野におけるMRDMの有効性を強調している。MRDMは正規化されたデータに対して分類、クラスタリング、および関連ルールマイニングを実行する。

ABSTRACT

The multi relational data mining approach has developed as an alternative way for handling the structured data such that RDBMS. This will provides the mining in multiple tables directly. In MRDM the patterns are available in multiple tables (relations) from a relational database. As the data are available over the many tables which will affect the many problems in the practice of the data mining. To deal with this problem, one either constructs a single table by Propositionalisation, or uses a Multi-Relational Data Mining algorithm. MRDM approaches have been successfully applied in the area of bioinformatics. Three popular pattern finding techniques classification, clustering and association are frequently used in MRDM. Multi relational approach has developed as an alternative for analyzing the structured data such as relational database. MRDM allowing applying directly in the data mining in multiple tables. To avoid the expensive joining operations and semantic losses we used the MRDM technique. This paper focuses some of the application areas of MRDM and feature directions as well as the comparison of ILP, GM, SSDM and MRDM

研究の動機と目的

• 正規化された複数のリレーショナルデータベーステーブルに跨る構造化データを、命題化を伴わずにマイニングする課題に対処すること。
• 正規化されたデータを単一テーブルに変換する際の高コストなジョイン処理や意味的損失といった問題を克服すること。
• MRDMの実世界応用、特にバイオインフォマティクス分野における有効性を実証すること。
• インダクティブ・ロジック・プログラミング（ILP）、グラフマイニング（GM）、統計的逐次データマイニング（SSDM）といった他の手法とMRDMを比較すること。
• 分類、クラスタリング、および関連ルールマイニングの観点から、MRDMの能力を包括的に概説すること。

提案手法

• リレーショナルデータベース内の複数の正規化済みテーブルに跨るデータを直接分析するために、マルチリレーショナルデータマイニング（MRDM）を活用する。
• MRDMフレームワーク内において、分類、クラスタリング、関連ルールマイニングの手法を用いて、マルチリレーショナルデータ内のパターンを発見する。
• 元のリレーショナル構造を維持することで、命題化を回避し、意味的整合性を保つ。
• 性能および構造化データマイニングへの適用可能性を評価するために、MRDMをILP、GM、SSDMと比較する。
• 実世界のデータセット、特にバイオインフォマティクス分野にMRDMを適用し、その実用性と効率性を検証する。
• 正規化解除やスキーマ統合の必要がない多テーブルアプローチを用いて、複雑な関係を発見する。

実験結果

リサーチクエスチョン

• RQ1 複数のリレーショナルテーブルに格納された構造化データを、命題化を伴わずに効果的にマイニングする方法は何か？
• RQ2 ILP、GM、SSDMといった従来のデータマイニング手法と比較して、MRDMは正規化されたデータベースを扱う上でどのような利点を有するか？
• RQ3 ジョインベースのアプローチと比較して、MRDMは意味的損失と計算コストの両面でどのように低減されるか？
• RQ4 バイオインフォマティクスのような実世界の応用において、MRDMはどの程度有効であるか？
• RQ5 MRDMと他のマルチリレーショナルマイニング手法との間で、性能およびパターン発見の観点でどのような主な差異が生じるか？

主な発見

• MRDMは、複数のリレーショナルテーブルに跨る直接的なマイニングを可能にし、高コストで損失を伴う命題化の必要を低減する。
• この手法は、正規化されたマルチリレーショナルデータに対して、分類、クラスタリング、関連ルールマイニングを効果的にサポートする。
• 意味的関係の保持およびデータ変換のオーバーヘッド低減という点で、従来のアプローチを上回る性能を示す。
• バイオインフォマティクス分野への応用が成功裏に実施され、複雑なデータ環境における実用的価値を示している。
• 比較分析の結果、MRDMは構造化データマイニングタスクにおいてILP、GM、SSDMの強力な代替手段を提供することが判明した。
• 本稿は、データ整合性を損なわずにマルチリレーショナルデータベースを効率的にマイニングするための実用的で効果的な手法として、MRDMの有効性を確立した。