[论文解读] Characterizing Discriminative Patterns

Gang Fang, Wen Wang+4 more|arXiv (Cornell University)|Feb 20, 2011

Data Mining Algorithms and Applications参考文献 42被引用 11

一句话总结

本文提出了一种新颖的框架，将区分性模式（分类与子群发现的关键）划分为四种交互类型：驱动-乘客型、一致型、独立加和型以及协同型。通过分析真实数据集，该研究表明这些类型揭示了超越传统模式挖掘的更深层次生物与结构洞察，所有T2–T4模式均具有统计显著性（FDR < 0.01）。

ABSTRACT

Discriminative patterns are association patterns that occur with disproportionate frequency in some classes versus others, and have been studied under names such as emerging patterns and contrast sets. Such patterns have demonstrated considerable value for classification and subgroup discovery, but a detailed understanding of the types of interactions among items in a discriminative pattern is lacking. To address this issue, we propose to categorize discriminative patterns according to four types of item interaction: (i) driver-passenger, (ii) coherent, (iii) independent additive and (iv) synergistic beyond independent additive. Either of the last three is of practical importance, with the latter two representing a gain in the discriminative power of a pattern over its subsets. Synergistic patterns are most restrictive, but perhaps the most interesting since they capture a cooperative effect. For domains such as genetic research, differentiating among these types of patterns is critical since each yields very different biological interpretations. For general domains, the characterization provides a novel view of the nature of the discriminative patterns in a dataset, which yields insights beyond those provided by current approaches that focus mostly on pattern-based classification and subgroup discovery. This paper presents a comprehensive discussion that defines these four pattern types and investigates their properties and their relationship to one another. In addition, these ideas are explored for a variety of datasets (ten UCI datasets, one gene expression dataset and two genetic-variation datasets). The results demonstrate the existence, characteristics and statistical significance of the different types of patterns. They also illustrate how pattern characterization can provide novel insights into discriminative pattern mining and the discriminative structure of different datasets.

研究动机与目标

• 为解决目前对区分性模式中项目之间相互作用机制的理解不足，特别是其联合区分能力的机制。
• 基于项目间相互作用，提供区分性模式的系统性分类，以实现在数据挖掘中更细致的解释。
• 证明不同交互类型可产生独特的生物学与分析洞察，尤其在基因组与生物医学数据集中。
• 表明模式表征可提升可解释性，超越传统分类与子群发现方法。
• 验证每种模式类型在包括UCI、基因表达与基因变异数据在内的多样化数据集中的统计显著性与实际相关性。

提出的方法

• 基于项目间相互作用，提出区分性模式的四类分类：(i) 驱动-乘客型，(ii) 一致型，(iii) 独立加和型，以及 (iv) 超越独立加和的协同型。
• 以支持度差异（DiffSup）作为区分能力的基础度量，互信息作为交互分析的构建块度量。
• 采用错误发现率（FDR）校正来评估发现模式的统计显著性，控制多重假设检验问题。
• 采用一种框架，评估模式相对于其子集的区分能力，识别整体是否超过各部分之和。
• 在十个UCI数据集、一个基因表达数据集与两个基因变异数据集中评估该框架在不同领域中的表现。
• 引入一种剪枝策略，过滤掉无意义的模式，减少候选数量并提升FDR控制效果。

实验结果

研究问题

• RQ1 不同类型的项目相互作用（如驱动-乘客型、一致型、加和型或协同型）如何影响模式的区分能力？
• RQ2 所提出的交互类型在真实世界数据集中在揭示有意义的生物学或结构洞察方面，程度如何？
• RQ3 在经过多重检验校正后，所发现的区分性模式（特别是T2–T4模式）是否具有统计显著性？
• RQ4 该表征框架是否能提升可解释性，超越标准的区分性模式挖掘与分类方法？
• RQ5 不同交互类型在区分强度与计算可行性方面，彼此之间有何关联？

主要发现

• 所有在数据集中发现的T2–T4区分性模式在多重检验校正后均具有统计显著性，FDR < 0.01。
• 协同型模式虽然最严格，但能捕捉超过单个项目贡献总和的协同效应，因而尤为具有洞察力。
• 当低支持度但高度区分性的项目与非区分性但高支持度的项目结合时，观察到驱动-乘客型模式。
• 一致型与加和型模式分别表现出一致或渐进的区分能力提升，项目贡献具有可预测性。
• 该框架表明，更大的模式（T2–T4）虽不常见，但更具意义，因其能有效剪枝，仅保留高信号模式。
• 结果表明，模式表征可揭示数据集中隐藏的区分性结构，尤其在基因表达与SNP变异等生物医学领域中。