[논문 리뷰] Using Answer Set Programming for pattern mining

Thomas Guyet, Yves Moinard외 1명|arXiv (Cornell University)|2014. 09. 27.

Data Mining Algorithms and Applications참고 문헌 21인용 수 6

한 줄 요약

이 논문은 빈도 높은 순차 패턴 마이닝을 위한 Answer Set Programming (ASP) 접근법을 제안하며, 기법적 제약 모델링을 활용하기 위해 비증분형 및 증분형 ASP 인코딩을 모두 구현한다. MinEpi와 같은 전용 알고리즘에 비해 성능가 다소 열등하지만, 증분형 ASP 솔루션은 일반적이고 제약 기반의 패턴 마이닝에 대해 실현 가능성을 보이며, 영역 특화 제약 조건이 적용될 경우 성능 향상이著명하여 제약 마이닝 작업에서 경쟁력 있는 성능을 발휘한다.

ABSTRACT

Serial pattern mining consists in extracting the frequent sequential patterns from a unique sequence of itemsets. This paper explores the ability of a declarative language, such as Answer Set Programming (ASP), to solve this issue efficiently. We propose several ASP implementations of the frequent sequential pattern mining task: a non-incremental and an incremental resolution. The results show that the incremental resolution is more efficient than the non-incremental one, but both ASP programs are less efficient than dedicated algorithms. Nonetheless, this approach can be seen as a first step toward a generic framework for sequential pattern mining with constraints.

연구 동기 및 목표

• Answer Set Programming (ASP)을 빈도 높은 순차 패턴 마이닝에 사용할 수 있는지 탐색하는 것.
• 성능 향상을 위해 비증분형 및 증분형 ASP 인코딩을 모두 구현하는 것.
• 사용자 정의 제약 조건이 ASP 기반 패턴 마이닝 효율성에 미치는 영향을 평가하는 것.
• 사용자 정의 제약 조건을 커스터마이징할 수 있는 일반적이고 선언적인 프레임워크를 마련하는 것.

제안 방법

• 선언적 논리 프로그래밍 접근법을 사용해 순차 패턴 마이닝 작업을 ASP에 인코딩하는 것.
• 모든 후보 패턴을 나열하고 빈도를 검사하는 비증분형 ASP 솔루션을 구현하는 것.
• clingo의 증분 해결 기능을 활용해 메모리 및 시간 효율성을 향상시킨 증분형 ASP 솔루션을 설계하는 것.
• ASP를 통해 도메인 특화 제약 조건(예: 순서, 정규 표현식)을 도입해 검색 공간을 줄이는 것.
• 외부 데이터나 제약 조건을 ASP 모델에 통합하기 위해 #external 지시어를 사용하는 것.
• 다양한 길이와 어휘 크기를 가진 합성 시퀀스에서 성능을 평가하는 것.

실험 결과

연구 질문

• RQ1 Answer Set Programming은 반단조성(anti-monotonicity) 제거 기법을 사용해 빈도 높은 순차 패턴 마이닝을 효과적으로 모델링할 수 있는가?
• RQ2 ASP 기반 마이닝의 성능은 MinEpi와 같은 전용 알고리즘과 비교해 어떻게 되는가?
• RQ3 사용자 정의 제약 조건이 ASP 기반 패턴 마이닝의 효율성에 얼마나 기여하는가?
• RQ4 증분형 ASP 해결은 순차 패턴 마이닝에서 메모리 오버헤드와 계산 시간을 줄일 수 있는가?

주요 결과

• 짧은 시퀀스에서 비증분형 솔루션 대비 증분형 ASP 구현이 메모리 사용량을 약 ~293,000 바이트에서 약 ~81,000 바이트로 감소시켰다.
• 비증분형 ASP 버전의 평균 계산 시간은 짧은 시퀀스에서 27.05초였고, 증분형 버전은 이와 비교해 0.84초로 감소시켰다.
• 70개 항목을 가진 시퀀스에서 제약 조건을 적용한 ASP 접근법은 평균 계산 시간을 166초에서 37초로 줄여 경쟁력 있는 성능 향상을 보였다.
• 성능 향상에도 불구하고, ASP의 계산 시간은 여전히 시퀀스 길이에 따라 지수적으로 증가했으며, MinEpi에 비해 수 개의 주기수만큼 느렸다.
• 반단조성 성질은 성공적으로 ASP에 인코딩되어 검색 공간의 효과적인 제거가 가능했다.
• 제약 조건의 사용은 생성된 모델의 수를 극적으로 줄였으며, 이는 ASP가 제약 인식 패턴 마이닝에 잠재력을 지닌다는 것을 보여주었다.