[論文レビュー] Numerical Association Rule Mining: A Systematic Literature Review

Minakshi Kaushik, Rahul Sharma+2 more|arXiv (Cornell University)|Jul 2, 2023

Data Mining Algorithms and Applications被引用数 7

ひとこと要約

この論文は、1996年から2022年までのNumerical Association Rule Mining（NARM）に関する系統的文献レビュー（SLR）を実施し、1,140本の記事から68件の最終研究を特定し、新規の離散化指標を導入します。

ABSTRACT

Numerical association rule mining is a widely used variant of the association rule mining technique, and it has been extensively used in discovering patterns and relationships in numerical data. Initially, researchers and scientists integrated numerical attributes in association rule mining using various discretization approaches; however, over time, a plethora of alternative methods have emerged in this field. Unfortunately, the increase of alternative methods has resulted into a significant knowledge gap in understanding diverse techniques employed in numerical association rule mining -- this paper attempts to bridge this knowledge gap by conducting a comprehensive systematic literature review. We provide an in-depth study of diverse methods, algorithms, metrics, and datasets derived from 1,140 scholarly articles published from the inception of numerical association rule mining in the year 1996 to 2022. In compliance with the inclusion, exclusion, and quality evaluation criteria, 68 papers were chosen to be extensively evaluated. To the best of our knowledge, this systematic literature review is the first of its kind to provide an exhaustive analysis of the current literature and previous surveys on numerical association rule mining. The paper discusses important research issues, the current status, and future possibilities of numerical association rule mining. On the basis of this systematic review, the article also presents a novel discretization measure that contributes by providing a partitioning of numerical data that meets well human perception of partitions.

研究の動機と目的

• 1996年から2022年までのNARM文献をマッピングする厳密なSLRプロトコルを定義する。
• NARMで使用される方法、アルゴリズム、指標、データセットを整理する。
• 既存のNARM研究の強み、制限、ギャップを特定する。
• 数値的パーティションを人間の知覚に合わせる新しい離散化指標を提案する。
• NARM研究者の将来の研究方向と実践的な指針を提供する。

提案手法

• SLRの計画、実施、報告のためにKitchenhamとChartersのガイドラインに従う。
• 英語論文（1996–2022）を対象に、複数のデータベース（ACM DL、Scopus、SpringerLink、IEEE Xplore、ScienceDirect）およびGoogle Scholarを検索する。
• I1–I5の適合・不適合基準を適用して一次研究を選択し、QQ1–QQ5で品質評価を実施する。
• 各論文からデータを抽出する（タイトル、著者、出典、年、タイプ、データセット、目的、指標）。
• NARM手法を分類するための知見を統合し、新しい離散化指標を特定する。
• 所見を報告し、妥当性の脅威と将来の展望を論じる。

Figure 1 . Metrics Used to Evaluate NARM Algorithms.

実験結果

リサーチクエスチョン

• RQ1 RQ1: NARM問題を解くための手法はいくつあるか。
• RQ2 RQ2: 既存の各NARM手法にはいくつのアルゴリズムが利用可能か。
• RQ3 RQ3: 既存のNARM手法の利点と限界は何か。
• RQ4 RQ4: 複数目的最適化NARMアルゴリズムで検討されている目的は何か。
• RQ5 RQ5: NARMアルゴリズムを評価する指標は何か。
• RQ6 RQ6: NARM手法の実験に使用されるデータセットは何か。
• RQ7 RQ7: NARM領域の将来の展望は何か。
• RQ8 RQ8: NARMの数値属性の離散化を有用（自然）な方法で自動化するにはどうすればよいか。

主な発見

• 4つの主要なNARM手法を同定：離散化、クラスタリング、ファジー、ハイブリッドアプローチ。
• 最適化手法（生物由来・物理ベース）が顕著で、進化計算と群知能技術が広く使用されている。
• 1,140本の記事（1996–2022）をスクリーニングしたうち、68本の記事が最終レビューの品質基準を満たす。
• 本研究は、人間の知覚と一致するようPartitionを自動化する離散化指標を提案する。
• 先行調査は範囲が限定的だったが、本SLRはNARM文献とギャップを体系的に総括する。
• 論文はNARM技術の将来の研究方向と潜在的改善点を概説する。

Figure 2 . Distribution of Metrics Used in NARM Methods.