[論文レビュー] Optimising Rule-Based Classification in Temporal Data

Polla Fattah, Uwe Aickelin+1 more|Repository@Nottingham (University of Nottingham)|Jul 20, 2016

Complex Systems and Time Series Analysis参考文献 28被引用数 5

ひとこと要約

本稿では、時間的データにおけるルールベース分類の最適化フレームワークを提案する。専門家が定義したルールを、ダニン指数、ユークリッド距離、標準偏差に基づくコスト関数を用いて、時間経過に伴うクラスの凝集度を向上させることで改善する。反復的かつ段階的なルール調整により、繰り返しの公共財ゲームにおけるプレイヤー戦略など、進化する行動をよりよく分類でき、より緊密で意味のあるクラスタを生成することで、動的行動パターンのより正確で解釈可能な表現が得られる。

ABSTRACT

This study optimises manually derived rule-based expert system classification of objects according to changes in their properties over time. One of the key challenges that this study tries to address is how to classify objects that exhibit changes in their behaviour over time, for example how to classify companies' share price stability over a period of time or how to classify students' preferences for subjects while they are progressing through school. A specific case the paper considers is the strategy of players in public goods games (as common in economics) across multiple consecutive games. Initial classification starts from expert definitions specifying class allocation for players based on aggregated attributes of the temporal data. Based on these initial classifications, the optimisation process tries to find an improved classifier which produces the best possible compact classes of objects (players) for every time point in the temporal data. The compactness of the classes is measured by a cost function based on internal cluster indices like the Dunn Index, distance measures like Euclidean distance or statistically derived measures like standard deviation. The paper discusses the approach in the context of incorporating changing player strategies in the aforementioned public good games, where common classification approaches so far do not consider such changes in behaviour resulting from learning or in-game experience. By using the proposed process for classifying temporal data and the actual players' contribution during the games, we aim to produce a more refined classification which in turn may inform the interpretation of public goods game data.

研究の動機と目的

• 繰り返しの公共財ゲームにおけるプレイヤーのように、時間経過に伴い行動が変化する対象の分類課題に対処すること。
• 時間的データにおけるクラスの凝集度を最適化することで、手動で作成されたルールベースの専門家システムを改善すること。
• 学習やゲーム内経験を考慮した行動分類に適した手法を開発すること。
• 統計的および距離ベースの凝集度測定を用いて、時間的行動パターンのより洗練され、解釈可能な分類を生み出すこと。

提案手法

• 初期分類は、集約された時間的属性を用いて専門家が定義したルールに基づき、対象をクラスに割り当てる。
• 内部クラスタ指標（例：ダニン指数）、距離測定（例：ユークリッド距離）、統計的測定（例：標準偏差）を用いてクラスの凝集度を定量化するコスト関数を定義する。
• 最適化プロセスは、コスト関数を最小化するように段階的にルールパラメータを調整し、各時刻におけるクラスの凝集度を向上させる。
• ルールの評価と精錬を繰り返し行い、時間経過に伴ってより緊密で均一性の高いクラスタを生成する。
• 本手法は、繰り返しの公共財ゲームにおけるプレイヤーの貢献戦略に適用され、進化する行動パターンをモデル化する。
• 定義された凝集度指標を用いて、精錬前後の分類品質を比較することで、最適化されたルールの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 時間的データにおけるルールベース分類は、どのようにして時間経過に伴う進化する行動を反映させることができるか？
• RQ2 ダニン指数や標準偏差といった凝集度測定は、動的システムにおけるルールベース分類の質をどの程度向上させ得るか？
• RQ3 静的専門家ルールと比較して、最適化されたルールは、繰り返しの公共財ゲームにおける学習効果やゲーム内経験をよりよく捉えることができるか？
• RQ4 ルール精錬は、時間的データにおける行動分類の解釈可能性と正確性にどのような影響を及ぼすか？

主な発見

• 最適化プロセスにより、時間経過に伴いクラスの凝集度が向上し、精錬後の分類で標準偏差が低減され、ダニン指数の値が向上した。
• 精錬されたルールベース分類器は、繰り返しの公共財ゲームにおける貢献戦略に基づき、プレイヤーのより緊密で均一性の高いクラスタを生成した。
• 本手法は、ルールベースシステムに時間的ダイナミクスを組み込むことで、行動の進化をより正確かつ解釈可能な形で分類できることを示した。
• コスト関数に基づく最適化は、ルールの複雑さとクラスの凝集度のバランスを効果的にとらえ、過剰適合を回避しながら分類品質を向上させた。