Mining Path Association Rules in Large Property Graphs (with Appendix)
Osaka University(大阪大学);University of Copenhagen(哥本哈根大学)
本文提出路径关联规则挖掘问题,并开发算法PIONEER,利用反单调性剪枝和近似并行技术,在大型属性图中高效发现路径模式共现规律,实验验证其有效性和可扩展性。
2024-09-20 cs.AI cs.DB
Towards Target Sequential Rules
Jinan University(暨南大学);Pazhou Lab(琶洲实验室);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
在许多实际应用中,顺序规则挖掘(SRM)可以为各种服务提供预测和推荐功能。发现属于高频、高置信度序列规则的所有有价值的规则是模式挖掘的一项重要技术。虽然已有多种SRM算法被提出来解决各种实际问题,但目前还没有针对目标序列规则的研究。有针对性的顺序规则挖掘旨在挖掘用户关注的有趣的顺序规则,从而避免产生其他无效和不必要的规则。该方法可以进一步提高用户分析规则的效率,减少数据资源的消耗。本文给出了目标序列规则的相关定义,阐述了目标序列规则的挖掘问题。此外,我们提出了一个有效的算法,称为有针对性的顺序规则挖掘(TaSRM)。为了提高TaSRM的效率,提出了几种剪枝策略和一种优化方法.最后,在不同的基准测试上进行了大量的实验,并从运行时间、内存消耗、可扩展性以及不同查询规则的查询案例等方面对实验结果进行了分析。结果表明,新算法TaSRM及其变体可以实现更好的实验性能相比,现有的基线算法。
2022-06-09 cs.AI cs.DB
RDF2Rules: Learning Rules from RDF Knowledge Bases by Mining Frequent Predicate Cycles
Beijing Normal University(北京师范大学);Tsinghua University(清华大学)
近年来,几个大规模的RDF知识库被建立起来,并在许多基于知识的应用中得到应用。为了进一步增加RDF知识库中的事实数量,可以使用逻辑规则来预测基于现有事实的新事实。因此,如何从大规模的知识库中自动学习可靠的规则变得越来越重要。在本文中,我们提出了一种新的规则学习方法命名为RDF2Rules的RDF知识库。RDF2Rules首先从知识库中挖掘频繁谓词循环(FPC),然后从挖掘出的FPC中生成规则。由于每个FPC可以产生多个规则,并且在挖掘FPC的过程中使用了有效的剪枝策略,因此RDF2Rules的工作效率非常高。RDF2Rules的另一个优点是它在生成和评估规则时使用实体类型信息,这使得学习的规则更加准确。实验表明,我们的方法优于比较的方法在效率和准确性。
2015-12-24 cs.AI cs.DB
Closed pattern mining of interval data and distributional data
NukkAI;Université Sorbonne Paris Nord(巴黎北索邦大学);Muséum d’Histoire Naturelle(国家自然历史博物馆)
我们讨论了模式语言的封闭模式挖掘和学习的区间数据和分布数据。我们首先介绍模式语言依赖于对交叉为基础的约束或对包含为基础的约束,或两者兼而有之,适用于区间。我们讨论了编码的区间模式,从而允许使用封闭的项集挖掘和正式的概念分析程序的项集。我们在聚类和监督学习任务上实验这些语言。然后,我们将展示如何扩展的方法来解决分布式数据。
2022-12-09 cs.AI cs.LG
Integrating User's Domain Knowledge with Association Rule Mining
Chaudhary Devi Lal University(乔杜里·德维·拉尔大学)
本文提出了一种变体的Apriori算法,包括领域专家的作用,指导和加快整体知识发现任务。通常,用户感兴趣的是查找某些属性之间的关系,而不是整个数据集。此外,他可以帮助挖掘算法选择目标数据库,这反过来又需要更少的时间来找到所需的关联规则。标准Apriori和交互式Apriori算法的变体已经在人工数据集上运行。结果表明,在目标属性的选择中加入用户的偏好,有助于在空间和时间上有效地搜索关联规则。
2010-04-20 cs.AI cs.DB
A Parallel/Distributed Algorithmic Framework for Mining All Quantitative Association Rules
Athens Information Technology(雅典信息技术学院);Cepal Hellas Financial Services(Cepal Hellas金融服务公司);Aalborg University(奥尔堡大学)
我们提出了QARMA,一个有效的新的并行算法挖掘所有的定量关联规则在大型多维数据集的项目需要至少有一个共同的属性被指定在规则单一的后果项。给定一个最小支持度和一组阈值标准的兴趣度措施,如信心,信念等,我们的算法保证生成所有非支配的数量关联规则,满足最小支持度和兴趣度的要求。这些规则对于寻求优化有针对性的活动或一般市场细分的营销部门来说非常重要。它们在医疗应用、金融以及预测性维护领域也具有价值。我们提供的计算结果显示了我们的算法的可扩展性,以及它的能力,以产生所有的规则,发现在大规模的合成和现实世界的数据集,如电影镜头,在几秒钟或几分钟的计算时间内的商品硬件。
2018-04-18 cs.AI cs.DB
Beyond Markov Logic: Efficient Mining of Prediction Rules in Large Graphs
University of Leipzig(莱比锡大学);Leipzig University of Applied Sciences(莱比锡应用科技大学);Paderborn University(帕德博恩大学)
大型知识库的图形表示可以包括数十亿条边。通常建立在人类生成的本体,一些知识库不具有声明的本体规则,是远远不够的。目前的规则挖掘方法依赖于模式或将图存储在内存中,这对于大型图是不可行的。在本文中,我们介绍HornConcerto,算法发现霍恩条款在大型图,而不需要一个模式。使用一个标准的基于事实的置信度得分,我们可以挖掘关闭霍恩规则具有任意的身体大小。我们表明,我们的方法可以优于现有的方法在运行时间和内存消耗和挖掘高质量的规则的链接预测任务,实现国家的最先进的结果,广泛使用的基准。此外,我们发现,规则本身可以执行推理速度显着快于嵌入为基础的方法,并实现链接预测的准确性相比,资源需求的方法,如马尔可夫逻辑网络。
2018-02-13 cs.AI cs.DB
Application of Data Mining Techniques to a Selected Business Organisation with Special Reference to Buying Behaviour
Deshbhakt Ratnappa Kumbhar College Of Commerce(德斯巴克特·拉特纳帕·孔布哈商业学院);Chh. Shahu Institute Of Business Education And Research(恰·沙胡商业教育与研究学院)
数据采掘是一个新的概念&对大数据集进行探索和分析,以发现有意义的模式和规则。许多组织现在正在使用数据采掘技术从数据库中找出有意义的模式。本文研究了如何将数据采掘技术应用于大型数据库。这些数据采掘技术从数据库中得到某些行为模式。对数据库进行分析后得出的结果对组织工作是有用的。本文对应用关联规则挖掘技术、规则归纳技术和Apriori算法后的结果进行了检验。并将这些技术应用于大型购物中心的数据库中。通过上述技术对市场购物篮进行分析,发现了一些重要的结果,如购买行为。
2011-12-17 cs.AI cs.DB
Neurosymbolic Methods for Rule Mining
Poznan University of Technology(波兹南理工大学);INRIA(法国国家信息与自动化研究所);IRISA(雷恩高等计算机与通信研究所);Télécom Paris(巴黎电信学院);Institut Polytechnique de Paris(巴黎理工学院);Prague University of Economics and Business(布拉格经济大学)
在这一章中,我们将讨论规则挖掘的问题,从基本的背景信息开始,包括规则质量的度量。然后,我们探讨各种规则挖掘方法,分为三组:归纳逻辑程序设计,路径采样和泛化,线性规划。在此之后,我们深入研究了神经符号方法,涵盖了深度学习与规则的集成,规则学习嵌入的使用以及规则学习中大语言模型的应用等主题。
2024-08-11 cs.AI
Rule Mining over Knowledge Graphs via Reinforcement Learning
Fudan University(复旦大学);North Carolina State University(北卡罗来纳州立大学)
知识图谱(KGs)是一种重要的知识资源库,其规则挖掘技术近年来引起了知识图谱研究领域的广泛关注。针对大规模知识库的规则挖掘问题,已有许多解决方案,但都存在规则生成效率低、规则评价效率低的问题。为了解决这些问题,本文提出了一种强化学习指导下的生成-评价规则挖掘方法。具体而言,设计了一个两阶段框架。第一阶段的目标是训练一个强化学习代理从KG规则生成,第二阶段是利用代理的价值函数来指导逐步规则生成。我们在多个数据集上进行了大量的实验,结果证明我们的规则挖掘解决方案在效率和有效性方面达到了最先进的性能。
2022-02-21 cs.AI
Patterns of near-crash events in a naturalistic driving dataset: applying rules mining
Texas A&M University(德克萨斯A&M大学);Texas A&M Transportation Institute(德克萨斯A&M交通研究所)
本研究的目的是探讨近碰撞事件和道路几何形状和行程功能之间的关联,通过调查一个自然的驾驶数据集和相应的道路库存数据集,使用关联规则挖掘方法。
2022-01-17 cs.AI cs.DB cs.IR
US-Rule: Discovering Utility-driven Sequential Rules
Jinan University(暨南大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
效用驱动挖掘是数据科学中的一项重要任务,在现实生活中有着广泛的应用。高效用序列模式挖掘(HUSPM)是一种效用驱动的挖掘。HUSPM的目标是发现所有具有高实用性的序列模式。然而,现有的HUSPM算法不能提供一个准确的概率来处理一些场景的预测或推荐。高效用序列规则挖掘(HUSRM)旨在发现所有具有高效用和高置信度的序列规则。HUSRM算法目前只有一种,效率不高。在本文中,我们提出了一个更快的算法,称为US规则,有效地挖掘高效用的顺序规则。它利用规则估计效用共生剪枝策略(REUCP),以避免无意义的计算。为了提高密集长序列数据集上的效率,提出了四种更严格的上界(LEEU,REEU,LERSU,RERSU)和相应的剪枝策略(LEEUP,REEUP,LERSU,RERSU).此外,US-Rule提出了规则估计效用重计算剪枝策略(REURP)来处理稀疏数据集。最后,通过在不同数据集上的大量实验,与现有算法进行了比较,结果表明,US-Rule算法在执行时间、内存消耗和可扩展性等方面都有较好的性能。
2021-11-29 cs.AI cs.DB
Mining Multi-Level Frequent Itemsets under Constraints
BESTMOD Laboratory(BESTMOD实验室);Institut Supérieur de Gestion(高等管理学院)
关联规则挖掘是数据采掘的一项任务,它从数据库中提取有用项(对象)之间重要蕴涵关系形式的知识。挖掘多级关联规则使用概念层次结构,也称为分类法,并定义为对象之间的关系类型'是一个',提取规则,项目属于不同的抽象层次。这些规则更有用,更精确,更易于用户解释。在文献中已经提出了几种算法来发现多级关联规则。在这篇文章中,我们感兴趣的问题,发现多层次的频繁项集的约束下,涉及用户在研究过程中。我们提出了一种技术,在使用概念层次结构的上下文中的约束的建模和解释。提出并讨论了三种在约束条件下发现多层频繁项集的方法:基本方法、“测试生成”方法和基于剪枝的方法。
2010-12-26 cs.AI cs.DB cs.DS
A Bayesian Approach to Rule Mining
Erlangen-Nürnberg Univesity(埃尔朗根-纽伦堡大学)
本文在关联规则挖掘中引入了增长置信度准则。该准则使用贝叶斯定理的递归应用来计算规则的置信度。提取的规则需要有他们的信念增加与他们的最后一次观察。本文在关联规则挖掘算法分类的基础上,提出了一个新的分支贝叶斯规则挖掘算法(BRM),该算法以增加的置信度作为规则选择的准则。与此相反,成熟的频繁关联规则挖掘(FRM)分支依赖于最小支持度的概念来提取规则。我们得到的属性的增加的信念标准,如增加的信念边界,没有事先担心,和合取前提。随后,我们实现了一个BRM算法,使用增加的信念标准,并说明其功能在三个实验:(1)~一个概念证明,以说明BRM属性,(2)~一个分析相关的社会经济信息和化学品暴露数据,(3)~挖掘神经康复患者的行为例程。我们说明了如何BRM是能够提取罕见的规则,并不遭受支持稀释。此外,我们表明,BRM侧重于个别事件的生成过程,而FRM侧重于他们的共性。我们认为BRM的信念增加作为一个替代标准的阈值规则支持,经常应用于FRM,以确定规则的有用性。
2020-01-13 cs.AI cs.DS cs.LG
Optimal Bangla Keyboard Layout using Association Rule of Data Mining
International Islamic University Chittagong(吉大港国际伊斯兰大学)
在本文中,我们提出了一个最佳的孟加拉语键盘布局,它平均分配双手的负荷,使最大限度地提高易用性和最小化的努力。孟加拉语字母表有大量的字母,因此很难使用孟加拉语键盘更快地打字。我们提出的键盘将最大限度地提高操作员的速度,因为他们可以用双手平行打字。本文利用数据采掘中的关联规则对键盘中的孟加拉语字符进行分配。首先,我们分析了从数据仓库中得到的由专文、有向图和三重图组成的数据的频率,然后使用数据采掘中的关联规则来分配孟加拉文在版面中的位置。最后,我们提出了一个孟加拉语的键盘布局。在几种键盘布局上的实验结果表明,该方法具有较好的性能.
2010-09-23 cs.AI
NiaAutoARM: Automated generation and evaluation of Association Rule Mining pipelines
University of Maribor(马里博尔大学);Faculty of Electrical Engineering and Computer Science(电气工程与计算机科学学院)
本文提出NiaAutoARM方法,利用随机群体元启发式自动构建数值关联规则挖掘完整流水线,并通过实验验证其有效性。
2024-12-30 cs.AI cs.NE
Separate and conquer heuristic allows robust mining of contrast sets in classification, regression, and survival data
Silesian University of Technology(西里西亚工业大学);Institute of Innovative Technologies, EMAG(EMAG创新技术研究所)
识别群体之间的差异是最重要的知识发现问题之一。该过程也称为对比集挖掘,应用于医学,工业或经济等广泛领域。在本文中,我们提出了RuleKit-CS,一个算法的对比集挖掘的基础上分离和征服-一个良好的启发式决策规则归纳。伴随着属性惩罚方案的多个通道提供了描述具有不同属性的相同示例的对比集,将所提出的方法与标准的分离和征服区分开来。该算法还被推广到回归和生存数据,允许识别标签属性/生存预后与预定义对比组的标签/预后一致的对比集。现有方法没有提供的此功能进一步扩展了RuleKit-CS的可用性。对来自不同地区的130多个数据集进行的实验和对选定案例的详细分析证实,RuleKit-CS是发现定义群体之间差异的有用工具。该算法作为RuleKit套件的一部分在GitHub上以GNU AGPL 3许可证(https://github.com/adaa-polsl/RuleKit)实现。关键词:对比集,分离与征服,回归,生存
2023-03-13 cs.AI cs.DB cs.LG
Specious rules: an efficient and effective unifying method for removing misleading and uninformative patterns in association rule mining
Aalto University(阿尔托大学);Monash University(莫纳什大学)
我们提出了理论分析和一套测试和程序,以解决广泛的一类冗余和误导性的关联规则,我们称之为\emph{specious rules}。似是而非的依赖性,也被称为\emph{spurious},\emph{apparent}或\emph{illusory associations},是指一种众所周知的现象,其中边际依赖性仅仅是与其他变量相互作用的产物,并且当以这些变量为条件时消失。最极端的例子是尤尔-辛普森悖论,其中两个变量在边际列联表中呈现正相关,但在由不同水平的混杂因素定义的所有部分表中呈现负相关。人们普遍认为,在任何非平凡维度的数据中,控制所有指数级的许多可能的混淆是不可行的。在本文中,我们考虑的问题似是而非的依赖关系的背景下,统计关联规则挖掘。我们定义似是而非的规则,并表明他们提供了一个统一的框架,涵盖了许多类型的先前提出的冗余或误导性的关联规则。在理论分析的基础上,提出了在互信息和精确超几何概率等关键优度测度下,有效检测和剪枝可疑关联规则的实用算法。我们证明,该程序大大减少了发现的关联的数量,提供了一个优雅和有效的解决方案,发现大量的误导性和冗余的规则的关联挖掘的问题。
2017-09-12 cs.AI
On the Effectiveness of Knowledge Graph Embeddings: a Rule Mining Approach
Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(卢蒙巴大学));Joint Institute for Nuclear Research(联合核研究所);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Skövde(舍夫德大学);Comenius University in Bratislava(布拉迪斯拉发夸美纽斯大学);University of Bergen(卑尔根大学)
研究了知识图谱嵌入算法在规则挖掘的知识图谱完备化中的有效性。更具体地说,我们挖掘规则,从KG之前和之后,他们已经完成了KGE比较可能的差异,在提取的规则。我们将此方法应用于经典的KGE方法,特别是,transE,DistMult和complEx。我们的实验表明,提取的规则之间可能存在巨大的差异,这取决于KG完成的KGE方法。特别是,在TransE完成后,提取了几个虚假的规则。
2022-06-23 cs.AI cs.LG
A Combined Approach of Process Mining and Rule-based AI for Study Planning and Monitoring in Higher Education
RWTH Aachen University(亚琛工业大学)
提出了一种基于校园管理系统数据和学习计划模型,利用过程挖掘和基于规则的人工智能方法分析和理解学生学习路径的方法。过程挖掘技术用于描述成功的研究路径,以及检测和可视化偏离预期计划。这些见解与从考试规定中提取的相应研究计划的建议和要求相结合。在这里,事件演算和答案集编程被用来提供模型的研究计划,支持规划和一致性检查,同时提供可能的研究计划违反的反馈。在其组合中,过程挖掘和基于规则的人工智能被用来支持学习规划和监测,通过导出规则和建议,指导学生以更高的成功率更合适的学习路径。将实施两个应用程序,一个为学生和一个为学习计划设计者。
2022-11-22 cs.AI cs.CY
An End-to-End Approach for Online Decision Mining and Decision Drift Analysis in Process-Aware Information Systems: Extended Version
University of Vienna(维也纳大学);Technical University of Munich(慕尼黑工业大学)
决策挖掘能够从事件日志或流中发现决策规则,并构成深入分析和优化业务流程的重要组成部分。到目前为止,决策挖掘仅仅是以事后的方式应用的,从而为给定的日志数据块生成决策规则的快照。相比之下,在线决策挖掘可以连续监控决策规则的演变和决策漂移。因此,本文提出了一种端到端的方法,发现以及监测决策点和相应的决策规则在运行时,弥合在线控制流发现和决策挖掘之间的差距。该方法提供了自动决策支持的过程感知信息系统与有效的决策漂移发现和监测。为了进行监控,不仅要考虑决策规则在准确性方面的性能,还要考虑数据元素的出现和分支频率的变化。本文提供了两个算法,这是四个合成和一个现实生活中的数据集进行评估,显示该方法的可行性和适用性。总体而言,该方法促进了对业务流程中决策的理解,从而有助于改善人与流程的交互。
2023-03-07 cs.AI
Cultural Algorithm Toolkit for Multi-objective Rule Mining
Cauvery College for Women(考弗里女子学院);AVVM Sri Pushpam College(AVVM 斯里普斯帕姆学院)
文化算法是一种受社会进化启发的进化算法,它由一个信念空间、一个种群空间和一个协议组成,该协议使这些源之间的知识交换成为可能。在人口空间中创建的知识被接受到信仰空间,而这些来源的集体知识相结合,以影响解决问题的个体代理的决策。分类规则属于数据采掘中的描述性知识发现,由于其代表了高度可理解的知识形式,因此最受用户的青睐。这些规则具有某些属性,使它们成为对用户有用的可操作知识形式。使用这些属性(即规则度量)评估规则。在目前的研究中,文化算法工具包的分类规则挖掘(CAT-CRM)的建议,它允许用户控制三个不同的参数集,即进化参数,规则参数以及代理参数,因此可以用于实验的进化系统,规则挖掘系统或基于代理的社会系统。实验结果进行观察的效果不同数量和类型的指标上的算法的性能基准数据集的报告。
2012-09-12 cs.AI cs.NE
Improving rule mining via embedding-based link prediction
Paderborn University(帕德博恩大学);Maastricht University(马斯特里赫特大学)
针对规则挖掘与嵌入方法混合训练易出现收敛问题,本文提出先用预训练实体和关系嵌入增强知识图谱,再进行规则挖掘,并在七个基准数据集上验证其可发现有价值的新规则。
2024-06-14 cs.AI
Seqret: Mining Rule Sets from Event Sequences
CISPA Helmholtz Center for Information Security(CISPA 欧洲信息安全中心);Institute for AI in medicine IKIM(人工智能在医学中的研究所)
Seqret 基于最小描述长度原则,从事件序列中同时挖掘条件与无条件依赖规则,实验证明其能恢复合成数据真实规则并发现真实数据中的有用规则。
2025-05-09 cs.AI
Neurosymbolic Association Rule Mining from Tabular Data
University of Amsterdam(阿姆斯特丹大学)
Aerial+通过神经符号方法从表格数据中挖掘高效关联规则,提升模型解释性和执行效率。
2025-12-30 cs.AI cs.LG
The role of semantics in mining frequent patterns from knowledge bases in description logics with rules
Poznan University of Technology(波兹南理工大学)
我们提出了一种新的方法来挖掘频繁模式的语言,结合语义Web本体和规则。特别是,我们考虑使用的语言相结合的描述逻辑与DL安全的规则的设置。此设置对于语义Web的数据采掘的实际应用非常重要。我们专注于频繁模式发现的任务的表示形式主义的语义的关系,并为我们的方法的核心,我们提出了一种算法,利用组合知识库的语义。我们已经开发了一个概念验证数据采掘实现这一点。使用这一点,我们已经经验表明,使用组合的知识库进行语义测试,可以使数据采掘更快的修剪无用的候选模式之前,他们的评价。我们还表明,所产生的模式集的质量可以得到改善:模式更紧凑,并且模式更少。我们的结论是,利用所选择的表示形式主义的语义(上)关系频繁模式发现方法的设计和应用的关键。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2010-04-01 cs.AI cs.LO
From Observational Studies to Causal Rule Mining
University of South Australia(南澳大利亚大学);Chinese Academy of Sciences(中国科学院)
随机对照试验(RCT)是发现因果关系的最有效方法,但在许多情况下,不可能进行RCT。因此,基于被动观察数据的观察性研究被广泛接受为RCT的替代方案。然而,在观察性研究中,需要先验知识来生成要测试的因果关系的假设,因此它们只能应用于具有可用领域知识和少数变量的问题。在实践中,许多数据集是高维的,这使得观察性研究无法从如此丰富的数据源中发现因果关系。在另一个方向上,已经开发了许多有效的数据采掘方法来识别大型数据集中变量之间的关联。问题是,因果关系意味着关联,但反过来并不总是正确的。然而,我们可以看到这两种范式之间的协同作用。具体来说,关联规则挖掘可以用来处理高维问题,而观察性研究可以用来消除非因果关系。本文提出了因果规则的概念,并提出了一种在大数据集中挖掘因果规则的算法。我们使用回顾性队列研究的思想来检测CR的关联规则挖掘的结果的基础上。合成和真实世界的数据集的实验证明了CR挖掘的有效性和效率。与通常使用的因果发现方法相比,所提出的方法通常更快,并且在找到正确或合理的原因方面具有更好或有竞争力的性能。它还能够找到由多个变量组成的原因,这是其他因果发现方法所不具备的功能。
2015-08-16 cs.AI
Association rule mining with earthquake data collected from Turkiye region
Cankiri Karatekin University(昌克勒·卡拉泰金大学);Karabuk University(卡拉比克大学)
本研究将土耳其地区每日地震活动视为事件篮子,利用关联规则挖掘方法分析过去5年地震数据,发现不同距离区域地震事件间的显著关联模式,为未来研究提供统计基础。
2023-12-26 cs.AI cs.LG
SUPAID: A Rule mining based method for automatic rollout decision aid for supervisors in fleet management systems
Conduent Labs(康杜恩实验室)
推出车辆的决定对车队管理公司至关重要,因为错误的决定可能导致额外的维护成本和旅途中的故障。随着大量数据的可用性和机器学习技术的进步,管理员的推出决策可以有效地自动化,并且管理员所做的决策中的错误可以被学习。在本文中,我们提出了一种新的学习算法SUPAID下,自然的“单向效率”的假设主管,使用规则挖掘的方法来排名的车辆的基础上,他们推出的可行性,从而帮助防止主管作出错误的决定。我们的实验结果从一个城市在美国的公共交通机构的真实数据表明,所提出的方法SUPAID可以导致显着的成本节约。
2020-01-15 cs.AI cs.LG stat.ML
ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning
Monash University(莫纳什大学);Griffith University(格里菲斯大学);University of Stuttgart(斯图加特大学)
本文提出 ChatRule 框架,利用大型语言模型结合知识图谱的语义与结构信息生成逻辑规则,并通过规则排序模块筛选高质量规则用于推理,在多个大规模知识图谱上验证了其有效性和可扩展性。
2024-01-22 cs.AI cs.CL
RMNA: A Neighbor Aggregation-Based Knowledge Graph Representation Learning Model Using Rule Mining
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);School of Remote Sensing and Information Engineering, Wuhan University(武汉大学遥感信息工程学院)
传统的表示学习(TRL)模型虽然在知识图谱的完备性方面表现出了较好的性能,但实体之间的嵌入没有参数共享,实体之间的连接也较弱。因此,提出了基于邻居聚合的表示学习(NARL)模型,该模型将实体邻居中的信息编码到其嵌入中。然而,现有的NARL模型要么只利用单跳邻居,忽略了多跳邻居中的信息,要么通过层次邻居聚合利用多跳邻居,破坏了多跳邻居的完整性。本文提出了一种NARL模型RMNA,通过规则挖掘算法获取和过滤喇叭规则,并利用筛选出的喇叭规则将有价值的多跳邻居转化为一跳邻居,从而通过聚合这些一跳邻居,充分利用有价值的多跳邻居中的信息。在实验中,我们比较RMNA与国家的最先进的TRL模型和NARL模型。结果表明,RMNA具有竞争力的性能。
2021-11-04 cs.AI cs.LG
Fast Generation of Best Interval Patterns for Nonmonotonic Constraints
LORIA (CNRS – Inria NGE – U. de Lorraine)(洛林大学(法国国家科学研究中心、Inria NGE));National Research University Higher School of Economics(高等经济研究大学)
在模式挖掘中,主要的挑战是模式集的指数爆炸。通常,为了解决这个问题,引入了模式选择的约束。模式挖掘中提出的第一个约束之一是数据集中模式的支持度(频率)。频率是一个反单调函数,即,给定一个非频繁模式,它的所有超模式都不是频繁的。然而,模式选择的许多其他约束不是(反)单调的,这使得难以生成满足这些约束的模式。在本文中,我们介绍了投影反单调的概念和$θ$ - $\Sigmaøϕια$算法,允许有效地产生一些非单调约束的最佳模式。在本文中,我们考虑稳定性和$Δ$ -措施,这是非单调约束,并将它们应用到区间元组数据集。在实验中,我们计算最佳区间元组模式w.r.t.这些措施,并显示了我们的方法的优势后滤波方法。关键词:模式挖掘,非单调约束,区间元组数据
2015-06-16 cs.AI cs.DS
Anomaly Detection in XML-Structured SOAP Messages Using Tree-Based Association Rule Mining
Iran University of Science and Technology(伊朗科技大学)
Web服务是为支持可互操作的动态跨企业交互而设计的软件系统。对Web服务的攻击可能造成灾难性的后果,导致企业机密数据的泄露。由于每天都有新的攻击方法出现,异常检测系统似乎是这方面的宝贵工具。这项工作的目的是针对驻留在Web服务层和可扩展置标语言(XML)结构的简单对象访问协议(SOAP)消息中的攻击。在研究了现有解决方案的不足后,提出了一种新的Web服务异常检测方法。更具体地说,所提出的技术说明了如何通过对XML结构的SOAP消息采用挖掘方法来识别异常。该技术还利用了基于树的关联规则挖掘的优点,在训练阶段提取知识,在测试阶段使用这些知识来检测异常。此外,这种新的技术组合带来了近低的误报率,同时保持检测率相当高,这是由案例研究所示。
2016-05-20 cs.AI cs.CR
Comparing decision mining approaches with regard to the meaningfulness of their results
University of Vienna(维也纳大学);Technical University of Munich(慕尼黑工业大学)
决策和底层规则对于在运行时期间驱动流程执行是必不可少的,即,用于基于过程数据的值在备选分支处路由过程实例。决策规则可以包括一元数据条件,例如,年龄> 40、两个或多个变量之间的关系相关的二进制数据条件,例如温度1决策发现的目的是从流程事件日志中自动获取决策规则。现有的方法集中于发现一元数据条件,或者在某些情况下发现二进制数据条件。发现的决策规则通常使用准确性进行评估,但不考虑它们的语义和意义,尽管这对于验证和随后的决策规则的实现/适应至关重要。因此,本文比较了三种决策挖掘方法,即,两个现有的和一个新描述的方法,就其结果的意义。为了进行比较,我们使用一个真实制造案例的合成数据集和两个真实世界的BPIC 2017/2020日志。所发现的规则进行了讨论,他们的语义和意义。
2021-09-15 cs.AI cs.LG
Integrating Vague Association Mining with Markov Model
ITM University Gurgaon(ITM大学古尔冈分校)
万维网需求的增长提出了对用户网页请求进行预测的需求,目前应用最广泛的网页预测方法是Web使用挖掘中的模式发现过程。这一过程必然涉及到马尔可夫模型、关联规则、聚类等技术。为了获得更好的结果,引入了模糊理论和不同的技术。我们的重点是马尔可夫模型。本文利用Vague集理论,将Vague规则与马尔可夫模型相结合,以提高Vague规则的准确性。
2014-05-08 cs.AI cs.IR
Analysing the Needs of Homeless People Using Feature Selection and Mining Association Rules
University of Córdoba(科尔多瓦大学)
本文提出SINTECH项目,通过移动应用收集无家可归者数据,并利用特征选择与关联规则挖掘等人工智能技术识别关键特征和关联规则,以支持非政府组织更高效地帮助无家可归者。
2024-01-15 cs.AI cs.CY
Autonomous Extraction of a Hierarchical Structure of Tasks in Reinforcement Learning, A Sequential Associate Rule Mining Approach
Northern Arizona University(北亚利桑那大学);Washington State University(华盛顿州立大学)
强化学习(RL)技术虽然通常很强大,但学习速度较慢,特别是在高维空间中。将任务分解为层次结构具有显著加速学习、泛化和迁移学习的潜力。然而,当前的任务分解技术通常依赖于由专家提供的高级知识(例如,使用动态贝叶斯网络)来提取分层任务结构;这在自治系统中不一定可用。在本文中,我们提出了一种新的方法,顺序关联规则挖掘的基础上,可以提取层次结构的任务在强化学习(SARM-HSTRL)在一个自治的方式为马尔可夫决策过程(MDP)和因子MDP。该方法利用关联规则挖掘发现状态之间的因果关系和时间关系,在不同的轨迹,并提取一个任务层次结构,捕捉这些子目标之间的关系,作为不同的子任务的终止条件。我们证明,提取的分层政策提供了一个层次上最优的政策,在MDPs和因子化MDPs。应该注意的是,SARM-HSTRL在具有单个任务轨迹以及具有多个任务轨迹的场景中提取这种分层最优策略,而无需动态贝叶斯网络。此外,它已被理论和经验表明,提取的分层任务结构是一致的轨迹,并提供了最有效的,可靠的,紧凑的结构在适当的假设。数值计算结果比较了所提出的SARM-HSTRL方法与传统的HRL算法在检测子目标的准确性,提取层次的有效性,以及在几个测试床的学习速度方面的性能。
2018-11-17 cs.AI
A Rule Mining-Based Advanced Persistent Threats Detection System
The University of Edinburgh(爱丁堡大学);New York University(纽约大学);King’s College London(伦敦国王学院);University of Manchester(曼彻斯特大学);The Alan Turing Institute(阿兰·图灵研究所);Université du Québec à Montréal(魁北克大学蒙特利尔分校)
高级持续性威胁(APT)是一种隐形的网络攻击,旨在从目标组织窃取有价值的信息,并往往会在时间上延长。安全专家警告说,阻止所有APT是不可能的,因此研究早期检测和损害限制的重要性。全系统起源跟踪和起源跟踪挖掘被认为是有前途的,因为它们可以帮助发现活动之间的因果关系,并在可疑事件发生时标记它们。我们引入了一种无监督的方法,利用操作系统独立的功能,反映过程活动来检测现实的APT类攻击的起源痕迹。异常过程的排名使用频繁和罕见的事件关联从痕迹。结果,然后提出的影响,因为可解释的,有助于利用因果关系解释检测到的异常。在透明计算程序数据集(DARPA)上进行评估时,我们的方法优于竞争方法。
2021-05-20 cs.AI cs.CR
Human Schema Curation via Causal Association Rule Mining
Johns Hopkins University(约翰斯·霍普金斯大学);University of Maryland, College Park(马里兰大学帕克分校)
事件模式是定义典型的现实世界场景的结构化知识源(例如,去机场)。我们提出了一个框架,有效的人在循环建设的模式库,基于一个新的脚本感应系统和精心制作的界面,允许非专家“编程”复杂的事件结构。与这项工作相关的是,我们发布了一个模式库:一个包含232个详细事件模式的机器可读资源,每个模式都描述了一个不同的典型场景,包括相关的子事件结构(场景中发生了什么)、参与者(谁在场景中扮演了角色)、每个参与者的细粒度类型以及它们之间隐含的关系约束。我们使我们的模式库和SchemaBlocks接口在线可用。
2022-05-23 cs.AI cs.CL
A Knowledge Mining Model for Ranking Institutions using Rough Computing with Ordering Rules and Formal Concept analysis
School of Computing Sciences and Engineering, VIT University(VIT大学计算科学与工程学院)
计算机和信息技术革命的出现使现实世界发生了巨大的变化,为智能数据分析提供了不同的维度。在正确的时间和正确的地点的信息是一个良好的事实,部署了更好的知识。然而,当大量的不一致的数据给决策和知识提取的挑战。为了处理这样的不精确的数据,某些更重要的数学工具已经开发了在最近的过去,即模糊集,直觉模糊集,粗糙集,形式概念分析和排序规则的研究。还观察到,许多信息系统包含数值属性值,因此它们几乎相似而不是完全相似。为了处理这种类型的信息系统,在本文中,我们使用两个过程,如前处理和后处理。在前处理中,我们使用粗糙集的直觉模糊近似空间与排序规则的发现知识,而在后处理中,我们使用形式概念分析,以探索更好的知识和影响决策的重要因素。
2011-08-09 cs.AI cs.IR
Mining Feature Relationships in Data
Victoria University of Wellington(惠灵顿维多利亚大学)
当面对一个新的数据集时,大多数从业者首先执行探索性数据分析,以发现数据中有趣的模式和特征。诸如关联规则挖掘之类的技术通常被应用于揭示数据的特征(属性)之间的关系。然而,关联规则主要设计用于二进制或分类数据,因为它们使用基于规则的机器学习。现实世界中的大部分数据本质上是连续的,这些数据的离散化会导致不准确和信息量较少的关联规则。在本文中,我们提出了一种替代方法,称为特征关系挖掘(FRM),它使用遗传编程的方法来自动发现数据中的连续或分类特征之间的符号关系。据我们所知,我们提出的方法是第一个这样的象征性的方法,明确发现功能之间的关系的目标。在各种真实数据集上的实证测试表明,所提出的方法能够找到高质量,简单的特征关系,这些关系可以很容易地解释,并提供对数据的清晰和非平凡的洞察。
2021-02-02 cs.AI cs.CV cs.LG
MPRM: A Markov Path-based Rule Miner for Efficient and Interpretable Knowledge Graph Reasoning
School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications(智能工程与自动化学院,北京邮电大学)
针对知识图谱规则挖掘方法的效率与计算成本问题,提出基于马尔可夫路径的MPRM方法,通过将推理建模为马尔可夫链、采用聚合路径概率置信度,实现了百万级事实图谱的高效可解释推理,准确率较基线最高提升11%。
2025-05-18 cs.AI cs.SI
MELT: Mining Effective Lightweight Transformations from Pull Requests
INESC-ID;Carnegie Mellon University(卡内基梅隆大学);Dickinson College(迪金森学院);Instituto Superior Técnico(高等技术学院);Universidade de Lisboa(里斯本大学);School of Computer Science(计算机学院)
针对开发者API更新效率低易出错的问题,提出MELT方法从开源库拉取请求中挖掘comby格式的轻量级API迁移规则,经泛化提升适用性,实验验证其在真实场景中有效减少警告并修复测试用例。
2024-07-08 cs.AI cs.SE
Active Rule Mining for Multivariate Anomaly Detection in Radio Access Networks
Global AI Accelerator (GAIA), Ericsson(全球人工智能加速器(GAIA),爱立信)
针对多变量异常检测缺乏可解释、可落地的业务规则的问题,本文提出一种适配无线接入网场景、支持离散和时间序列数据的半自治异常规则挖掘器,可将异常模式映射为可执行规则。
2025-01-11 cs.AI cs.LG
Analysis of the Human-Computer Interaction on the Example of Image-based CAPTCHA by Association Rule Mining
Technical Faculty in Bor, University of Belgrade(贝尔格莱德大学博尔技术学院);University of Calabria(卡拉布里亚大学)
从响应时间的角度分析了基于图像的验证码求解中人机交互的问题。特别是,分析的重点是不同的互联网用户在容易解决四种不同类型的基于图像的验证码,其中包括面部表情,如:动画人物,老妇人,惊讶的脸,担心的脸的态度。为了实现这一目标,实验涉及100名互联网用户在解决四种类型的验证码,区分年龄,互联网经验和教育水平。收集每个用户的响应时间。然后,从用户数据中提取关联规则,通过统计分析来评估年龄、教育程度和互联网使用经验对验证码解决响应时间的依赖性。结果隐含地捕捉到用户的心理状态,显示在什么状态下用户更明智。它揭示了一个新颖的和有意义的分析,在国家的最先进的。
2016-12-06 cs.AI cs.CY cs.HC