[论文解读] Interestingness Measure for Mining Spatial Gene Expression Data using Association Rule

M. Anandhavalli, M. K. Ghose+1 more|arXiv (Cornell University)|Jan 20, 2010

Data Mining Algorithms and Applications参考文献 17被引用 8

一句话总结

本文提出使用熵和方差作为有趣性度量，以筛选和排序空间基因表达数据挖掘中的关联规则。通过将这些度量整合到一种快速、单次扫描的算法中，并结合布尔矩阵剪枝，该方法相较于传统的支持度-置信度方法，更高效地识别出更多样化且具有生物学意义的规则，其中熵在捕捉新奇模式方面尤为有效。

ABSTRACT

The search for interesting association rules is an important topic in knowledge discovery in spatial gene expression databases. The set of admissible rules for the selected support and confidence thresholds can easily be extracted by algorithms based on support and confidence, such as Apriori. However, they may produce a large number of rules, many of them are uninteresting. The challenge in association rule mining (ARM) essentially becomes one of determining which rules are the most interesting. Association rule interestingness measures are used to help select and rank association rule patterns. Besides support and confidence, there are other interestingness measures, which include generality reliability, peculiarity, novelty, surprisingness, utility, and applicability. In this paper, the application of the interesting measures entropy and variance for association pattern discovery from spatial gene expression data has been studied. In this study the fast mining algorithm has been used which produce candidate itemsets and it spends less time for calculating k-supports of the itemsets with the Boolean matrix pruned, and it scans the database only once and needs less memory space. Experimental results show that using entropy as the measure of interest for the spatial gene expression data has more diverse and interesting rules.

研究动机与目标

• 解决从标准挖掘算法在空间基因表达数据库中生成的大规模规则集中识别真正有趣的关联规则的挑战。
• 通过引入熵和方差等额外有趣性度量，超越支持度和置信度改进规则选择。
• 开发一种计算高效的算法，减少内存使用和数据库扫描次数，同时保持高规则质量。
• 评估熵和方差作为识别空间基因表达数据中生物学相关模式的有效性。

提出的方法

• 采用仅扫描数据库一次并使用布尔矩阵剪枝以减少计算开销的快速挖掘算法。
• 应用支持度和置信度阈值生成初始候选项集和关联规则。
• 引入熵和方差作为额外有趣性度量，以在基本支持度和置信度之外对规则进行排序和过滤。
• 使用熵量化规则分布的多样性和信息含量，偏好非均匀且信息丰富的模式。
• 使用方差检测异常或偏离的表达模式，这些模式可能指示具有生物学意义的关联。
• 结合多种度量，优先选择不仅频繁且置信度高，而且在空间分布上出人意料或新颖的规则。

实验结果

研究问题

• RQ1 哪些有趣性度量（超越支持度和置信度）最有效地识别出空间基因表达数据中具有生物学意义的模式？
• RQ2 使用熵作为有趣性度量在提升挖掘出的关联规则多样性与相关性方面有何改善？
• RQ3 基于方差的过滤能否检测出稀有或异常的基因表达模式，这些模式具有生物学显著性？
• RQ4 所提出的算法在保持规则质量的同时，能在多大程度上降低空间基因表达挖掘的计算成本？

主要发现

• 基于熵的有趣性度量相比其他度量产生了更多样化且更具生物学兴趣的关联规则。
• 所提出的算法通过仅扫描数据库一次并使用布尔矩阵剪枝，实现了更快的规则生成和更低的内存使用。
• 按熵排序的规则表现出更高的新颖性和更低的冗余性，表明其在发现新的空间基因表达模式方面具有更好的潜力。
• 方差有助于识别稀有或异常的表达模式，增强了对潜在重要生物学相互作用的检测能力。
• 实验结果表明，熵在捕捉有意义的、非均匀的空间关联方面优于其他度量。