[논문 리뷰] uARMSolver: A framework for Association Rule Mining

Iztok Fister, Fister, Iztok|arXiv (Cornell University)|2020. 10. 21.

Data Mining Algorithms and Applications참고 문헌 13인용 수 11

한 줄 요약

uARMSolver는 자연 흠모 알고리즘을 사용하여 분류형 및 수치형 속성을 모두 지원하는 모듈식이고 오픈소스인 C++ 프레임워크로, 연관 규칙 마이닝(ARM)을 효율적으로 수행한다. 이 프레임워크는 사전처리, 메타휴리스틱(예: 미분 진화)을 통한 규칙 마이닝, 외부 도구를 통한 시각화를 통합하며, Abalone 데이터셋에서 337개의 규칙을 마이닝하고 최고 0.9629까지의 높은 적합도 점수를 기록하여 뛰어난 성능을 입증한다.

ABSTRACT

The paper presents a novel software framework for Association Rule Mining named uARMSolver. The framework is written fully in C++ and runs on all platforms. It allows users to preprocess their data in a transaction database, to make discretization of data, to search for association rules and to guide a presentation/visualization of the best rules found using external tools. As opposed to the existing software packages or frameworks, this also supports numerical and real-valued types of attributes besides the categorical ones. Mining the association rules is defined as an optimization and solved using the nature-inspired algorithms that can be incorporated easily. Because the algorithms normally discover a huge amount of association rules, the framework enables a modular inclusion of so-called visual guiders for extracting the knowledge hidden in data, and visualize these using external tools.

연구 동기 및 목표

• 연관 규칙 마이닝의 세 가지 주요 단계인 사전처리, 규칙 마이닝, 결과 해석에 대한 과제를 해결하기 위해.
• 분류형 및 수치형 속성을 모두 지원하는 통합적이고 모듈식이며 확장 가능한 프레임워크를 제공하기 위해.
• 다양한 인구 기반 메타휴리스틱(예: 미분 진화, 입자 군집 최적화)을 사용하여 연관 규칙를 효율적으로 마이닝하기 위해.
• 플러그인 형태의 VisualGuide 컴ponent를 통해 외부 도구를 통한 시각화 기능을 통합하기 위해.
• 사용자에게 의미 있고 고품질의 규칙으로 유도함으로써 대규모 규칙 집합으로부터의 사용성 향상과 지식 추출을 향상시키기 위해.

제안 방법

• 고성능을 위해 C++로 구현되었으며, 모든 플랫폼에서 실행 가능한 모듈식 아키텍처를 채택하였다.
• 자동 속성 유형 탐지 기능을 포함하며, 동시에 여러 트랜잭션 데이터베이스를 지원한다.
• 수치형 속성은 간격 기반 최적화를 통해 다루며, 이는 이산 탐색을 연속 공간으로 변환하여 메타휴리스틱 적용을 가능하게 한다.
• 연관 규칙 마이닝은 자연 흠모 알고리즘(예: 미분 진화(DE))을 사용해 해결하는 최적화 문제로 공식화된다.
• VisualGuide 클래스는 아카이브에서 핵심 규칙을 추출하고, 외부 시각화 도구(예: R, MATLAB)로 데이터를 내보낸다.
• 프레임워크는 지지도, 신뢰도 및 사용자 정의 적합도 측정 기준을 사용하여 마이닝된 규칙를 평가하고 순위를 매긴다.

실험 결과

연구 질문

• RQ1 통합 프레임워크는 연관 규칙 마이닝의 세 주요 단계인 사전처리, 규칙 마이닝, 시각화를 어떻게 간소화할 수 있는가?
• RQ2 이산화가 필요 없이 자연 흠모 메타휴리스틱이 혼합형(분류형 및 수치형) 데이터에서 연관 규칙를 효과적으로 마이닝할 수 있는 정도는 어느 정도인가?
• RQ3 uARMSolver의 모듈식 설계는 새로운 알고리즘과 시각화 도구의 확장성을 어떻게 보장하는가?
• RQ4 실제 세계 데이터셋인 Abalone에서 메타휴리스틱 기반 ARM을 사용할 경우 달성 가능한 성능과 규칙 품질은 어떠한가?
• RQ5 다양한 최적화 알고리즘이 마이닝된 연관 규칙의 다양성과 품질에 어떤 영향을 미치는가?

주요 결과

• uARMSolver 프레임워크는 미분 진화를 사용하여 Abalone 데이터셋에서 337개의 연관 규칙를 성공적으로 마이닝하였으며, 높은 신뢰도와 지지도를 기록하였다.
• 상위 규칙 중 최고의 적합도 점수는 0.9629에 도달하여 높은 규칙 품질과 관련성을 나타내었다.
• 100%의 신뢰도와 거의 100%의 지지도를 가진 규칙들이 확인되었으며, 예를 들어 지름, 껍질 벗긴 무게, 고리 수 간격 간의 관계를 연결하는 규칙이 있었다.
• 프레임워크는 다양한 알고리즘을 사용할 수 있도록 유연성을 보였으며, 선택된 메타휴리스틱에 따라 결과가 달라졌다.
• VisualGuide 컴ponent의 통합을 통해 R, MATLAB 등의 도구를 활용한 효과적인 지식 추출과 외부 시각화가 가능했다.
• 모듈식 설계 덕분에 새로운 파서, 최적화 알고리즘, 시각화 방법의 간편한 통합이 가능하여 확장성이 향상되었다.