[논문 리뷰] Multi Relational Data Mining Approaches: A Data Mining Technique

Neelamadhab Padhy, Rasmita Panigrahi|arXiv (Cornell University)|2012. 11. 16.

Data Mining Algorithms and Applications참고 문헌 9인용 수 9

한 줄 요약

이 논문은 다중 관계형 데이터베이스 테이블 간에 직접 구조화된 데이터를 채굴할 수 있는 기법으로 다중 관계형 데이터 채굴(MRDM)을 제안한다. 이는 전환형 변환(propositionalization)을 피하고 비용이 많이 들며 의미 손실이 발생하는 조인 조작을 방지하기 위한 것이다. ILP, GM, SSDM 및 MRDM를 비교하여 MRDM의 생물정보학 분야에서의 효과성과 정규화된 데이터에서 분류, 군집화, 연관 규칙 채굴을 위한 활용 가능성을 강조한다.

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

연구 동기 및 목표

• 전환형 변환 없이 다중 관계형 데이터베이스 테이블 간의 구조화된 데이터 채굴 문제를 해결한다.
• 정규화된 데이터를 단일 테이블로 변환할 때 발생하는 고비용 조인 연산과 의미 손실 문제를 해결한다.
• 생물정보학 분야를 포함한 실제 응용에서 MRDM의 효과성을 입증한다.
• 인도크티브 로직 프로그래밍(ILP), 그래프 마이닝(GM), 통계적 시퀀스 데이터 채굴(SSDM)과 같은 다른 기법들과의 비교를 통해 MRDM의 성능을 평가한다.
• 분류, 군집화, 연관 규칙 채굴 기능을 포함한 MRDM의 능력에 대한 종합적인 개요를 제공한다.

제안 방법

• 관계형 데이터베이스 내부의 다수의 정규화된 테이블 간에 직접 분석할 수 있도록 다중 관계형 데이터 채굴(MRDM)을 활용한다.
• MRDM 프레임워크 내에서 분류, 군집화, 연관 규칙 채굴 기법을 활용하여 다중 관계형 데이터 내의 패턴을 발견한다.
• 원래의 관계형 구조를 유지함으로써 전환형 변환을 피하고 의미적 정합성을 보존한다.
• 성능 및 구조화된 데이터 채굴 적용 가능성 평가를 위해 MRDM를 ILP, GM, SSDM와 비교한다.
• 실제 데이터셋, 특히 생물정보학 분야에 MRDM를 적용하여 그 유효성과 효율성을 검증한다.
• 정규화 해제 또는 스키마 통합이 필요 없이 복잡한 관계를 탐색하기 위해 다중 테이블 접근 방식을 사용한다.

실험 결과

연구 질문

• RQ1 다중 관계형 테이블에 존재하는 구조화된 데이터를 전환형 변환 없이 효과적으로 채굴할 수 있는 방법은 무엇인가?
• RQ2 정규화된 데이터베이스를 다룰 때 기존의 데이터 채굴 기법들인 ILP, GM, SSDM에 비해 MRDM가 가지는 장점은 무엇인가?
• RQ3 조인 기반 접근 방식과 비교했을 때 MRDM는 의미 손실과 계산 비용을 어떻게 줄이는가?
• RQ4 생물정보학과 같은 실제 응용 분야에서 MRDM의 효과성은 어떠한가?
• RQ5 MRDM와 다른 다중 관계형 채굴 기법 간의 성능 및 패턴 탐지 방식의 주요 차이는 무엇인가?

주요 결과

• MRDM는 전환형 변환 없이 다중 관계형 테이블 간에 직접 채굴을 가능하게 하여 고비용 및 손실이 발생하는 전환 과정의 필요성을 줄였다.
• 이 기법은 정규화된 다중 관계형 데이터에서 분류, 군집화, 연관 규칙 채굴을 성공적으로 지원한다.
• 의미 관계를 유지하고 데이터 변환 오버헤드를 줄이는 데 있어 전통적 접근 방식보다 MRDM가 뛰어난 성능을 보였다.
• 생물정보학 분야에 성공적으로 적용되어 복잡한 데이터 환경에서의 실용적 유용성을 입증했다.
• 비교 분석 결과, MRDM는 구조화된 데이터 채굴 작업에서 ILP, GM, SSDM에 비해 강력한 대안임을 입증했다.
• 이 논문은 데이터 무결성을 훼손하지 않으면서도 다중 관계형 데이터베이스를 효율적으로 채굴할 수 있는 실용적인 접근법으로서 MRDM의 타당성을 확립했다.