[论文解读] Discovering Descriptive Tile Trees by Mining Optimal Geometric Subtiles

Nikolaj Tatti, Jilles Vreeken|arXiv (Cornell University)|Feb 7, 2019

Data Mining Algorithms and Applications参考文献 26被引用 8

一句话总结

该论文提出 Stijl，一种基于 MDL 的贪心算法，用于从有序二值数据中挖掘分层 Tile 树，以发现简洁且可解释的模型。它以 Θ(NM min(N,M)) 的时间复杂度高效识别局部最优的几何子 Tile，从而实现快速、无需参数的非冗余、高质量 Tile 树发现，以最小描述长度总结数据。

ABSTRACT

When analysing binary data, the ease at which one can interpret results is very important. Many existing methods, however, discover either models that are difficult to read, or return so many results interpretation becomes impossible. Here, we study a fully automated approach for mining easily interpretable models for binary data. We model data hierarchically with noisy tiles-rectangles with significantly different density than their parent tile. To identify good trees, we employ the Minimum Description Length principle. We propose STIJL, a greedy any-time algorithm for mining good tile trees from binary data. Iteratively, it finds the locally optimal addition to the current tree, allowing overlap with tiles of the same parent. A major result of this paper is that we find the optimal tile in only $Θ(NM\min(N, M))$ time. STIJL can either be employed as a top-$k$ miner, or by MDL we can identify the tree that describes the data best. Experiments show we find succinct models that accurately summarise the data, and, by their hierarchical property are easily interpretable.

研究动机与目标

• 为解决现有二值数据挖掘方法产生的复杂且冗余的结果的可解释性挑战。
• 开发一种完全自动化、无需参数的方法，用于发现二值数据的简洁分层模型。
• 通过分层 Tile 结构确保模型既简洁又易于解释。
• 利用最小描述长度（MDL）原则形式化模型选择，实现最优数据压缩。
• 通过一种可随时运行的算法支持交互式探索，逐步提升模型质量。

提出的方法

• 使用噪声 Tile（与父 Tile 密度显著不同的几何子矩阵）对二值数据进行分层建模。
• 采用最小描述长度（MDL）原则评估并选择最佳拟合的 Tile 树，无需调参。
• 使用贪心的可随时运行算法，迭代地将当前树中局部最优的子 Tile 添加进来，允许同一父 Tile 内部存在重叠。
• 提出 FindTile，一种新颖的算法，可在 Θ(NM min(N,M)) 时间内计算最优子 Tile，显著优于朴素的 Θ(N²M²) 方法。
• 利用数据排序（行和列）以支持几何 Tile 和视觉上可解释的分层结构。
• 支持 top-k 挖掘和 MDL 优化的模型选择，实现基于压缩质量的自动模型选择。

实验结果

研究问题

• RQ1 我们如何能自动发现简洁、非冗余且可解释的二值数据模型？
• RQ2 我们能否以接近线性于数据规模的时间复杂度，高效识别应添加到增长中的 Tile 树的局部最优子 Tile？
• RQ3 与不相交的铺砌方式相比，允许同一父 Tile 内部存在重叠 Tile 对模型质量与可解释性有何影响？
• RQ4 MDL 原理能否有效应用于分层 Tile 树，以实现无需参数的模型选择？
• RQ5 Tile 树的分层结构在多大程度上提升了人类对二值数据模式的可解释性？

主要发现

• Stijl 仅用 14 个 Tile 就准确总结了古生物学数据，清晰地可视化了密集和稀疏区域。
• 采用重叠 Tile 的模型相比不相交铺砌，获得了更优的 MDL 分数，并呈现出更清晰、更易解释的结构。
• 在 Abstracts 数据集上，Stijl 正确识别出左上角的密集区域，其中包含 'propose'、'efficient'、'method' 和 'algorithm' 等高频术语。
• FindTile 在 Θ(NM min(N,M)) 时间内计算出最优子 Tile，相比朴素的 Θ(N²M²) 方法有显著提升。
• 该算法效率足够高，可支持交互式使用，运行时间从几秒到数小时不等，并支持增量式模型优化。
• 分层结构支持直观的视觉检查，嵌套的 Tile 清晰地展示了密度嵌套模式（例如，深色 Tile 内嵌于较浅的 Tile 中）。