[논문 리뷰] Optimising Rule-Based Classification in Temporal Data

Polla Fattah, Uwe Aickelin외 1명|Repository@Nottingham (University of Nottingham)|2016. 07. 20.

Complex Systems and Time Series Analysis참고 문헌 28인용 수 5

한 줄 요약

이 논문은 시간적 데이터에서 규칙 기반 분류를 위한 최적화 프레임워크를 제안하며, Dunn 지수, 유클리드 거리, 표준편차를 기반으로 한 비용 함수를 사용하여 전문가가 정의한 규칙을 시간에 따라 클래스의 밀도를 향상시켜 개선한다. 이 방법은 반복 공공재 게임에서의 플레이어 전략과 같은 변화하는 행동 패턴의 분류를 향상시켜, 반복적으로 규칙을 조정하여 더 단단하고 의미 있는 클러스터를 생성함으로써 동적인 행동 패턴을 더 정확하고 해석 가능한 방식으로 표현한다.

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.

연구 동기 및 목표

• 반복 공공재 게임의 플레이어와 같이 행동이 시간에 따라 변화하는 대상의 분류 과제를 해결하기 위해.
• 시간적 데이터에서 클래스의 밀도를 최적화하여 수동으로 도출된 규칙 기반 전문가 시스템의 성능을 향상시키기 위해.
• 학습과 게임 내 경험을 행동 분류에 반영할 수 있는 방법을 개발하기 위해.
• 통계적 및 거리 기반의 밀도 측정 기반으로 시간적 행동 패턴의 보다 정교하고 해석 가능한 분류를 도출하기 위해.

제안 방법

• 초기 분류는 시간적 속성의 집계를 사용하여 전문가가 정의한 규칙에 기반해 객체를 클래스에 할당한다.
• 내부 클러스터 지표(예: Dunn 지수), 거리 측정법(예: 유클리드 거리), 통계 측정법(예: 표준편차)을 사용하여 클래스의 밀도를 정량화하는 비용 함수를 정의한다.
• 최적화 과정은 반복적으로 규칙의 파라미터를 조정하여 비용 함수를 최소화함으로써 각 시점에서 클래스의 밀도를 향상시킨다.
• 규칙 평가 및 개선을 통해 시간 경과에 따라 더 단단하고 균일한 클러스터를 생성한다.
• 이 방법은 반복 공공재 게임에서의 플레이어 기여 전략에 적용되어 변화하는 행동 패턴을 모델링한다.
• 정의된 밀도 측정 기반으로 개선 전후의 분류 품질을 비교하여 최적화된 규칙을 검증한다.

실험 결과

연구 질문

• RQ1 시간적 데이터에서 규칙 기반 분류는 어떻게 개선되어 변화하는 행동 패턴을 반영할 수 있는가?
• RQ2 Dunn 지수 및 표준편차와 같은 밀도 측정법은 다이나믹 시스템에서 규칙 기반 분류의 품질을 어느 정도 향상시킬 수 있는가?
• RQ3 정적 전문가 규칙에 비해 최적화된 규칙은 반복 공공재 게임에서 학습 효과와 게임 내 경험을 더 잘 포착할 수 있는가?
• RQ4 규칙 개선은 시간적 데이터에서 행동 분류의 해석 가능성과 정확성에 어떤 영향을 미치는가?

주요 결과

• 최적화 과정은 표준편차 감소와 함께 개선된 분류에서 Dunn 지수 값 향상으로 인해 시간 경과에 따라 클래스의 밀도가 향상되었음을 입증하였다.
• 개선된 규칙 기반 분류기는 반복 공공재 게임에서 기여 전략에 기반해 플레이어의 더 단단하고 균일한 클러스터를 생성하였다.
• 이 방법은 규칙 기반 시스템에 시간적 역학을 통합할 경우 행동의 진화를 더 정확하고 해석 가능한 방식으로 분류할 수 있음을 보여주었다.
• 비용 함수 기반 최적화는 규칙의 복잡성과 클래스의 밀도를 효과적으로 균형 잡아 과적합을 방지하면서도 분류 품질을 향상시켰다.