[论文解读] Optimising Rule-Based Classification in Temporal Data

Polla Fattah, Uwe Aickelin+1 more|Repository@Nottingham (University of Nottingham)|Jul 20, 2016

Complex Systems and Time Series Analysis参考文献 28被引用 5

一句话总结

本文提出了一种用于时间数据中基于规则分类的优化框架，通过基于邓恩指数、欧几里得距离和标准差的成本函数，对专家定义的规则进行时间上的类紧凑性优化。该方法通过迭代调整规则以生成更紧密、更有意义的聚类，从而提升对演化行为（如重复公共品博弈中玩家策略）的分类效果，实现对动态行为模式更准确且可解释的表示。

ABSTRACT

This study optimises manually derived rule-based expert system classification of objects according to changes in their properties over time. One of the key challenges that this study tries to address is how to classify objects that exhibit changes in their behaviour over time, for example how to classify companies' share price stability over a period of time or how to classify students' preferences for subjects while they are progressing through school. A specific case the paper considers is the strategy of players in public goods games (as common in economics) across multiple consecutive games. Initial classification starts from expert definitions specifying class allocation for players based on aggregated attributes of the temporal data. Based on these initial classifications, the optimisation process tries to find an improved classifier which produces the best possible compact classes of objects (players) for every time point in the temporal data. The compactness of the classes is measured by a cost function based on internal cluster indices like the Dunn Index, distance measures like Euclidean distance or statistically derived measures like standard deviation. The paper discusses the approach in the context of incorporating changing player strategies in the aforementioned public good games, where common classification approaches so far do not consider such changes in behaviour resulting from learning or in-game experience. By using the proposed process for classifying temporal data and the actual players' contribution during the games, we aim to produce a more refined classification which in turn may inform the interpretation of public goods game data.

研究动机与目标

• 为解决行为随时间变化的对象（如重复公共品博弈中的玩家）的分类挑战。
• 通过优化时间数据中的类紧凑性，改进人工推导的基于规则的专家系统。
• 开发一种方法，以考虑学习和游戏内经验在行为分类中的影响。
• 利用统计和基于距离的紧凑性度量，实现对时间行为模式更精细、更可解释的分类。

提出的方法

• 初始分类基于专家定义的规则，利用聚合的时间属性将对象分配到各类别。
• 通过内部聚类指数（如邓恩指数）、距离度量（如欧几里得距离）和统计度量（如标准差）定义成本函数，以量化类的紧凑性。
• 优化过程迭代调整规则参数，以最小化成本函数，从而在每个时间点提升类的紧凑性。
• 该方法评估并优化规则，以在各时间点生成更紧密、更同质的聚类。
• 该方法应用于重复公共品博弈中玩家贡献策略，以建模行为的演化模式。
• 通过比较优化前后分类质量（使用定义的紧凑性度量）对优化后的规则进行验证。

实验结果

研究问题

• RQ1 如何改进时间数据中基于规则的分类，以更好地反映随时间演化的动态行为？
• RQ2 邓恩指数和标准差等紧凑性度量在多大程度上能提升动态系统中基于规则分类的质量？
• RQ3 与静态专家规则相比，优化后的规则是否能更好地捕捉重复公共品博弈中的学习效应和游戏内经验？
• RQ4 规则优化对时间数据中行为分类的可解释性和准确性有何影响？

主要发现

• 优化过程成功提升了各时间点的类紧凑性，表现为优化后分类中标准差降低、邓恩指数值提高。
• 优化后的基于规则的分类器根据玩家在重复公共品博弈中的贡献策略，生成了更紧密、更同质的聚类。
• 该方法表明，将时间动态整合到基于规则的系统中，可实现对行为演化更准确、更可解释的分类。
• 基于成本函数的优化有效平衡了规则复杂度与类紧凑性，在提升分类质量的同时避免了过拟合。