Skip to content
検索結果に戻る

アクティブラーニング相関ルール

提唱者
Dzyuba, V. & van Leeuwen, M.; Boley, M. et al.
年
2010s
種類
Interactive pattern mining
系統
Machine learning

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

アクティブラーニング相関ルールは、アクティブラーニングの反復的なクエリとラベル付けのループを相関ルールマイニングと組み合わせることで、人間の専門家が発見プロセスを対話的にガイドできるようにします。固定されたサポート・信頼度閾値を超えるすべてのルールを網羅的に列挙する代わりに、システムは最も情報量の多い候補ルールを選択し、主観的に有用なパターンに焦点を当てた検索を行うために、ユーザーにその興味深さを判断するように求めます。

手法の背後にある直感

標準的な相関ルールマイニングでは、最小サポート閾値を超える何千ものルールがユーザーに氾濫し、そのほとんどが冗長または無関係です。アクティブラーニングはこの状況を一変させます。アルゴリズムは、最も不確実または驚くべき候補ルールのみを人間の専門家に提示し、各ルールが興味深いかどうかに関するフィードバックを収集し、各クエリ後にユーザーの嗜好のモデルを更新します。 successive rounds を通じて、アナリストが気にするルールとノイズを区別することを学習し、検索空間を劇的に狭め、網羅的な列挙よりもはるかに効率的に実行可能なパターンを表面化させます。

歴史学

アクティブラーニング相関ルールは、相関ルールマイニングにおけるよく知られたルール爆発問題への対応として2010年代に登場しました。Boleyらの直接パターンサンプリング(2013年)およびDzyubaとvan Leeuwenの主観的興味深さ(2017年)による研究は、ルール発見をガイドするためのユーザー嗜好のクエリの形式的フレームワークを確立しました。このアプローチは、初期の対話型データマイニング研究から派生し、Cohn、Atlas、Ladner(1994年)によって開始されたより広範なアクティブラーニング文献に接続します。

使うべき場面

トランザクションデータベースが大きく、閾値を超えるルールの数が管理不能(数千から数百万)であり、マイニングセッション中に反復的なフィードバックを提供できるドメイン専門家がいる場合に、アクティブラーニング相関ルールを使用してください。これは、統計的有意性と同じくらい主観的な関連性が重要な、知識発見のコンテキスト(臨床情報学、小売バスケット分析、または科学的仮説生成)で特に価値があります。対話型専門家が利用できない場合、後続の自動化のために完全なルールセットが必要な場合、またはトランザクションデータベースが小さすぎて網羅的な列挙が些細な場合に使用しないでください。

限界と注意点

  • セッション全体で対話型の人間専門家を必要としますが、これは完全に自動化されたパイプラインには現実的ではありません。
  • 結果の品質は、ラベル付け専門家の首尾一貫性とドメイン知識に大きく依存します。
  • コールドスタート問題:嗜好モデルは開始時には情報が不足しているため、最初のクエリは適切にターゲット設定されていない可能性があります。
  • このアプローチは、バッチ相関ルールマイニングほど確立されておらず、すぐに利用できる実装が少なくなっています。
  • 評価は本質的に主観的であり、純粋に統計的な方法よりもベンチマークが困難です。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 主観的に興味深いパターンに検索を集中させることで、ユーザーが検査する必要のあるルールの数を劇的に削減します。
  • 普遍的な興味深さ尺度を課すのではなく、個々のアナリストの嗜好に適応します。
  • 候補生成ステップとして、任意のベースルールマイナー(Apriori、FP-growth、ランダムサンプリング)とよく組み合わされます。
  • ユーザーが事前にサポートと信頼度の閾値を指定する必要なしに、反復的な探索をサポートします。
  • アナリストを圧倒するであろう大きなルール空間にスケーリングします。

応用

  • 臨床情報学:薬物と有害事象の共起を発見し、薬理学者が臨床的に妥当だと判断するもの。
  • 小売バスケット分析:カテゴリーマネージャーが実行可能だと判断するクロスセル機会を表面化させる。
  • 科学的仮説生成:専門家の直感に一致するゲノミクスまたは社会科学データセットにおける共起パターンを特定する。
  • 不正検出:不正アナリストによって疑わしいとフラグ付けされたトランザクションパターンの対話型マイニング。
  • レコメンダーシステム:パーソナライズされたレコメンデーションのために、ユーザー固有のアイテム共起ルールを学習する。

使い方

使い方

1

候補相関ルールの初期プールが生成されます。これは、網羅的に(例えば、緩い閾値までの Apriori または FP-growth を介して)またはサンプリングによって行われます。高次元のトランザクションデータベースでは、このプールは膨大になる可能性があるため、アクティブラーニングコンポーネントは実行可能性のために重要です。

2

システムは、通常、不確実性サンプリング、期待されるモデル変更、または主観的な興味深さスコアなどの獲得関数を使用して、最も情報量の多い候補ルールを選択してユーザーに提示します。ユーザーはルールを興味深いか興味深くでないかとしてラベル付けします。

3

各ユーザーラベルの後、システムは、ユーザーが魅力的だと感じるルールの特徴(サポート、信頼度、リフト、アイテムの同一性)を捉える、通常はベイジアンまたは線形モデルである内部ユーザー嗜好モデルを更新し、それに応じて残りの候補を再ランク付けします。

4

更新された嗜好モデルを使用して、残りのすべての候補ルールが再スコアリングされます。高スコアのルールは、後続のラウンドでの提示のために優先順位が付けられ、重複またはほぼ重複するルールは、類似のパターンが繰り返し表示されるのを避けるために削除されます。

5

ループは、ユーザーが満足するまで、固定されたクエリ予算が使い果たされるまで、またはさらなるクエリからの期待される利益が閾値を下回るまで続きます。出力は、予測されたユーザーの興味によってランク付けされた、小さくキュレーションされたルールのセットです。

よくある落とし穴

  • 後続のクエリでほぼ重複するルールを提示し、ユーザーの疲労とノイズの多いラベルを引き起こす — 多様性制約または冗長性削減を使用してください。
  • アクティブなクエリが始まる前に、適切なデフォルトルールや短いウォームアップフェーズを提供しないことによって、コールドスタート問題を無視すること。
  • 統計的に検証された結果として最終的なランク付けリストを扱うこと。ただし、標準的なルール品質メトリック(サポート、信頼度、リフト)も報告しないこと。
  • 主観的な興味深さスコアと客観的な統計的有意性を混同すること。これらは異なる量です。

よくある質問

ユーザーはいくつのクエリに回答する必要がありますか?

実際には、有用な嗜好モデルはわずか20〜50回のクエリで学習できると報告されていますが、予算はルール空間の多様性と専門家の首尾一貫性に依存します。

これは標準的な相関ルールマイニングに取って代わるものですか?

いいえ。これは補完的なものです。標準的なマイニング(Apriori、FP-growth)は通常候補を生成するために使用され、アクティブラーニングループは次に専門家の嗜好に従ってそれらをフィルタリングおよびランク付けします。完全なルールセットは依然として内部的に生成されます。

異なる専門家が興味深いルールについて意見が異なる場合はどうなりますか?

アクティブラーニング相関ルールは、セッションごとに1つの嗜好モデルを学習します。複数の専門家が関与する場合、嗜好モデルは(例えば、ラベルの多数決によって)集約されるか、個別のセッションを実行してそれらのトップランク付けされたルールをマージできます。

興味深さは、信頼度やリフトとどのように異なりますか?

信頼度とリフトは、データから計算可能な客観的な統計的尺度です。主観的な興味深さはユーザーに依存します。ルールは高いリフトを持つことができますが、専門家にとっては明白で興味のないものになる可能性があります。または、控えめなリフトを持ちながらも新規で実行可能なものになる可能性があります。

リアルタイムでラベル付け専門家なしで使用できますか?

事前に収集された嗜好ラベルが利用可能な場合(例えば、以前のセッションから)、嗜好モデルはオフラインでトレーニングされ、バッチモードで適用できます。ただし、リアルタイムフィードバックの適応的な利点は失われます。

関連する手法

参考文献

  1. Dzyuba, V., & van Leeuwen, M. (2017). Interactive Discovery of Interesting Association Rules by Subjective Interestingness. In Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Springer.

    出版物の文献を開く
    コピーしました。
  2. Boley, M., Lucchese, C., Paurat, D., & Gartner, T. (2013). Direct Local Pattern Sampling by Efficient Two-Step Random Procedures. In Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 582–590). ACM.

    出版物の文献を開く
    コピーしました。