×
卡图埃，迈赫迪;马克·普兰提维特;阿尔布雷赫特·齐默尔曼;Anes Bendimerad公司;塞琳·罗伯德

异常上下文子图挖掘。 （英语） Zbl 1458.05246号

马赫。学习。 106，第8期，1171-1211（2017）.
摘要：许多关系数据是由一些特征描述的几个单独行为聚合而成的。例如，自行车共享系统可以建模为一个图，其中顶点代表自行车共享站，连接代表用户从一个站到另一个站的自行车旅行。车站和出行通过其他信息进行描述，例如车站地理环境的描述（商业与居住区、与景点的距离、海拔、城市化密度等），或自行车出行的属性（时间戳、用户简介、天气、事件和其他与出行有关的特殊条件）。在该图中识别高度关联的成分（如社区或准液化物）可以提供对全球使用的有趣见解，但不能捕捉到表征子种群的流动性特征。为了解决这个问题，我们提出了一种基于异常模型挖掘的方法来发现异常上下文子图，即生成的子图从上下文或单个行为的描述来看，与整个扩展图相比，这些行为是异常的（行为方式不同）。上下文和边之间的依赖性通过（chi^2）检验进行评估，并且加权相对准确度度量仅用于保留强特征连通子图的上下文。我们提出了一种原始算法，该算法使用复杂的修剪技术来限制要考虑的顶点、上下文细化和边的搜索空间。通过对合成数据和两个真实数据集的实验评估，证明了所提出的修剪机制的有效性，以及发现的模式的相关性。

引用于4文件

MSC公司：

05C90年 图论的应用
68T05型 人工智能中的学习和自适应系统

关键词：

属性图表;异常模型挖掘;子群发现;监督模式挖掘

软件：

科利布里
PDF格式BibTeX公司 XML格式引用
\textit{M.Kaytoue}等人，马赫。学习。106、8号、1171--1211（2017；Zbl 1458.05246）
全文： DOI程序

参考文献：

[1] Ahmed，R.和Karypis，G.（2011年）。George算法用于挖掘动态网络中保守关系状态的演化。IEEE ICDM（第1-10页）。
[2] Atzmueller、Martin、Doerfel、Stephan和Mitzlaff，Folke。（2016年）。使用穷举子群发现的面向描述的社区检测。信息科学，329，965-984·doi:10.1016/j.ins.2015.05.008
[3] Atzmüller，M.和Puppe，F.（2006年）。Sd-map—穷举子组发现的快速算法。在PKDD中，LNCS第4213卷（第6-17页），Springer。
[4] Berlingerio，M.、Bonchi，F.、Bringmann，B.和Gionis，A.（2009年）。挖掘图形演化规则。ECML/PKDD（第115-130页）。
[5] 贝林格里奥、米歇尔、科西娅、米歇尔、吉安诺蒂、福斯卡、蒙雷亚尔、安娜和佩德雷希·迪诺。(2013). 多维网络：结构分析基础。万维网，16（5-6），567-593·doi:10.1007/s11280-012-0190-4
[6] Besson，J.、Robardet，C.和Boulicaut，J.（2006）挖掘一种新的容错模式类型，作为正式概念发现的替代。在Schärfe，H.，Hitzler，P.&Øhrström，P.（eds.），概念结构：灵感与应用，第14届概念结构国际会议论文集，2006年7月16日至21日，丹麦奥尔堡，2006年，计算机科学讲义4068卷，（第144-157页），斯普林格·Zbl 1194.68219号
[7] Boden，B.、Günnemann，S.、Hoffmann，H.和Seidl，T.（2012）。在带有边缘标签的多层图中挖掘相干子图。KDD（第1258-1266页）。
[8] Bonchi，F.、Gionis，A.、Gullo，F.和Ukkonen，A.（2012年）。色彩相关聚类。KDD（第1321-1329页）。
[9] Borgwardt，K.M.、Kriegel，H.P.和Wackersreuther，P.（2006）《频繁动态子图中的模式挖掘》。IEEE ICDM（第818-822页）。
[10] 布林曼（Bringmann）、比约恩（Björn）、贝林格里奥（Berlingerio）、米歇尔（Michele）、邦奇（Bonchi）、弗朗西斯科（Francesco）和乔尼斯（Gionis）、阿里斯蒂德斯（Aristides）。(2010). 学习和预测社交网络的演变。IEEE智能系统，25（4），26-35·doi:10.1109/MIS.2010.91
[11] Das、Mahashweta、Amer Yahia、Sihem、Das、Gautam和Cong、Yu。(2011). MRI：合作评级的有意义解释。VLDB捐赠会议记录，4（11），1063-1074。
[12] Das、Mahashweta、Thirumuruganathan、Saravanan、Amer-Yahia、Sihem、Das、Gautam和Cong，Yu。(2014). 用于分析协作标记的表达框架和高效算法。VLDB杂志，23（2），201-226·doi:10.1007/s00778-013-0341-y
[13] de Melo，P.O.S.V.、Faloutsos，C.和Loureiro，A.A.F.（2011）。大型通信网络中的人体动力学。在SDM（第968-879页）中，SIAM。
[14] Desmier，E.、Plantevit，M.、Robardet，C.和Boulicaut，J.F.（2013）。动态属性图中的趋势挖掘。ECML/PKDD（第654-669页）。
[15] Duivesteijn，W.（2014）。异常模型挖掘的简短调查：探索多个目标之间的异常交互。2014年多目标预测国际研讨会。
[16] Duivesteijn，Wouter，Feelders，Ad，&Knobbe，Arno J.（2016）。异常模型挖掘-具有复杂目标概念的受监督描述性局部模式挖掘。数据挖掘和知识发现，30（1），47-98·Zbl 1411.68096号 ·文件编号：10.1007/s10618-015-0403-4
[17] Duivesteijn，W.、Knobbe，A.、Feelders，A.和van Leeuwen，M.（2010年）。子组发现符合贝叶斯网络——一种特殊的模型挖掘方法。在Geoffrey I.W.、Bing L.、Chengqi Z.、Dimitrios G.和Xidong W.（编辑），ICDM 2010，第十届IEEE国际数据挖掘会议，澳大利亚悉尼，2010年12月14日至17日（第158-167页），IEEE计算机学会。
[18] Michelle Girvan和Mark E.J.Newman（2002年）。社会和生物网络中的社区结构。《美国国家科学院院刊》，99（12），7821-7826·Zbl 1032.91716号 ·doi:10.1073/pnas.122653799
[19] Goyal、Amit、Bonchi、Francesco、Lakshmanan、Laks V。S.和Venkatasubramanian，Suresh。(2013). 最小化在社交网络上传播影响力的预算和时间。社会网络分析与挖掘，3（2），179-192·doi:10.1007/s13278-012-0062-z
[20] Günnemann，S.、Färber，I.、Boden，B.和Seidl，T.（2010年）。子空间聚类满足稠密子图挖掘。在ICDM中（第845-850页）。
[21] Hamon，R.（2015）。使用信号处理方法分析时间网络：应用于里昂的自行车共享系统。里昂-恩州-里昂正常高等教育：论文。
[22] Inokuchi，A.和Washio，T.（2010年）。挖掘由顶点诱导的频繁图序列模式。在SDM（第466-477页）中，SIAM。
[23] Jiang，M.，Cui，P.，Liu，R.，Yang，Q.，Wang，F.，Zhu，W.，&Yang，S.（2012）。社会背景建议。在CIKM中，（第45-54页）。
[24] Kaytoue，M.、Pitarch，Y.、Plantevit，M.和Robardet，C.（2014）。动态图中拓扑变化的触发模式。2014年IEEE/ACM社会网络分析和挖掘进展国际会议，2014年ASONAM，中国北京，2014年8月17日至20日，第（158-165）页。
[25] Kaytoue，M.、Silva，A.、Cerf，L.、Meira Jr.，W.和Raïssi，C.（2012年）。看我打球，我是职业球员。在WWW（Comp.Vol.）第（1181-1188）页，ACM。
[26] Khan，A.、Yan，X.和Wu，K.L.（2010年）。面向大型图中的邻近模式挖掘。在SIGMOD第（867-878）页，ACM。
[27] Lahiri，M.和Berger-Wolf，T.Y.（2008）。挖掘动态社交网络中的周期性行为。IEEE ICDM第（373-382）页。
[28] Lavrac、Nada、Kavsek、Branko、Flach、Peter A.和Todorovski、Ljupco。(2004). CN2-SD的子组发现。机器学习研究杂志，5，153-188。
[29] Leman，D.、Feelders，A.和Knobbe，A.J.（2008年）。异常的模型挖掘。ECML/PKDD（第1-16页）·Zbl 1231.68206号
[30] Lemmerich，F.、Becker，M.和Atzmueller，M.（2012）。用于穷举异常模型挖掘的通用模式树。In Flach，P.A.，De Bie，T，&Cristianini，N.（编辑），《数据库中的机器学习和知识发现——欧洲会议》，ECML PKDD 2012，英国布里斯托尔，2012年9月24-28日。《计算机科学讲稿》（第277-292页）第7524卷第二部分会议记录，斯普林格出版社。
[31] Madeira，S.C.和Oliveira，A.L.（2004）。生物数据分析的双聚类算法：综述。IEEE/ACM计算生物学和生物信息学汇刊，1（1），24-45·doi:10.1109/TCBB.2004.2
[32] Morishita，S.和Sese，J.（2000）。使用统计度量修剪遍历项集格。PODS中。
[33] Moser，F.、Colak，R.、Rafiey，A.和Ester，M.（2009年）。利用特征向量从图中挖掘内聚模式。在SDM（第593-604页）中，SIAM。
[34] Mougel，P.N.、Rigotti，C.、Plantevit，M.和Gandrillon，O.（2013）。寻找最大齐次团集。知识和信息系统，第1-30页。
[35] Novak、Petra Kralj、Lavrać、Nada和Webb，Geoffrey I.（2009年）。监督描述性规则发现：对比集、新兴模式和子组挖掘的统一调查。机器学习研究杂志，10377-403·Zbl 1235.68178号
[36] Ontanón，S.、Synnaeve，G.、Uriarte，A.、Richoux，F.、Churchill，D.和Preuss，M.（2013）。《星际争霸》实时战略游戏AI研究与竞争调查。IEEE游戏中的计算智能和人工智能汇刊，5（4），293-311·doi:10.1109/TCIAIG.2013.286295
[37] 卡尔·皮尔逊。(1900). 基于这样一个准则，即在相关变量系统的情况下，给定的偏离概率系统可以合理地假设是由随机抽样引起的。伦敦、爱丁堡和都柏林哲学杂志和科学杂志，50（302），157-175·网址：10.1080/14786440009463897
[38] 普拉多（Prado）、阿德里亚娜（Adriana）、朱迪（Jeudy）、巴普蒂斯特（Baptiste）、弗罗蒙特（Fromont）、埃莉莎（Ellisa）和迪奥特（Diot）、法比恩（Fabien）。(2013). 在动态平面图中挖掘时空模式。智能数据分析，17（1），71-92。
[39] 普拉多（Prado）、阿德里亚纳（Adriana）、普兰提维特（Plantevit）、马克（Marc）、罗伯德（Robardet）、塞琳（Celine）和布利卡特（Boulicaut）、珍妮·弗兰索瓦（Jean-François）。(2013). 挖掘图形拓扑模式：发现顶点描述符之间的共同变化。IEEE知识与数据工程汇刊，99，1。
[40] 齐、郭军、阿加瓦尔、查鲁·C、田、齐、吉、恒和黄、托马斯·S（2012）。探索社交媒体中的上下文和内容链接：一种潜在空间方法。IEEE模式分析和机器智能汇刊，34（5），850-862·doi:10.1109/TPAMI.2011.191
[41] Robardet，C.（2009）。动态图中基于约束的模式挖掘。IEEE ICDM（第950-955页）。
[42] Schubert，M.和Drachen，A.（2016年）。通过遭遇检测进行Esports分析。麻省理工学院斯隆体育分析会议论文集，2016年。
[43] Sese，J.、Seki，M.和Fukuzaki，M..（2010年）。使用共享项挖掘网络。在CIKM（第1681-1684页）中，ACM。
[44] Silva、Arlei、Meira、Wagner和Zaki，Mohammed J.（2012）。挖掘大型属性图中的属性-结构相关模式。VLDB捐赠会议记录，5（5），466-477·doi:10.14778/2140436.2140443
[45] Soulet，A.、Raíssi，C.、Plantevit，M.和Crémilleux，B.（2011年）。挖掘天空中的主要图案。2011年12月11日至14日，加拿大不列颠哥伦比亚省温哥华市，第11届IEEE国际数据挖掘会议，ICDM 2011（第655-664页）。
[46] 孙一舟、韩嘉伟。(2012). 挖掘异构信息网络：原理和方法。圣拉斐尔：摩根&克莱普尔出版社。
[47] T·泰勒。L.（2012）。提高赌注：电子竞技和计算机游戏的职业化。剑桥：麻省理工学院出版社。
[48] Tong，H.、Papadimitriou，S.、Sun，J.、Yu，P.S.和Faloutsos，C.（2008）。Colibri：快速挖掘大型静态和动态图形。KDD（第686-694页）。
[49] 马蒂杰斯·范·列文。(2010). 最大异常，最少描述。数据挖掘和知识发现，21（2），259-276·doi:10.1007/s10618-010-0187-5
[50] van Leeuwen，Matthijs，&Knobbe，Arno J.（2012）。不同的子组集发现。数据挖掘和知识发现，25（2），208-242·doi:10.1007/s10618-012-0273-y
[51] Von Eschen，A.（2014）。职责召唤中的机器学习和数据挖掘（受邀演讲）。在ECML/PKDD中。
[52] Yang，Y.、Yu，J.X.、Gao，H.、Pei，J.和Li，J.（2013）。挖掘演化图中变化最频繁的组件。万维网，第1-26页。
[53] You，Chang Hun，Holder，Lawrence B&Cook，Diane J.（2009）《生物网络动力学中的学习模式》。在KDD中，第977-986页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。