Mustergliederung konzeption ifp

Einsatz modernster Analysemethoden und Dichtefunktionstheorie (DFT) zur Verbesserung der Katalysatorstruktur und unseres Verständnisses von katalytischen Mechanismen; Capelle M, Masson C, Boulicaut JF (2002) Bergbau häufige sequenzielle Muster unter einer Ähnlichkeitsbeschränkung. Internationale Konferenz zu intelligentem Daten-Engineering und automatisiertem Lernen. Springer, Berlin, Pp 1–6 Wang W, Wang C, Zhu Y, Shi B, Pei J, Yan X, Han J (2005) Graphminer: a structural pattern-mining system for large disk-based graph databases and its applications. In: Proceedings of the 2005 ACM SIGMOD international conference on management of data, ACM, pp 879–881 Die Leistung vorhandener seltener Muster-Mining-Techniken auf dichten und spärlichen Datensätzen wird anhand verschiedener Real-Life-Datasets ausgewertet. Dichte Datensätze Pilz und Connect-4 und spärliche Datensätze Gazelle und Retail wurden für experimentelle Auswertungen verwendet, die aus dem UCI Machine Learning Repository gewonnen wurden. Die Dataset-Eigenschaften sind in Tabelle 1 aufgeführt. Fünf bekannte seltene Muster-Mining-Techniken wurden in Betracht gezogen: ARIMA, MS-Apriori, Apriori Inverse, Apriori Rare und RP-Tree. Der als Mindestunterstützungswert betrachtete Minsup beginnt bei 20 % und steigt schrittweise auf 40 %. Bei MS-Apriori wird der Wert von `(`beta`) als 0.1 und für Apriori Inverse als maximaler Supportwert Maxsup als 60% angenommen. Seltene Muster Mining, ein neues und aufstrebendes Gebiet, hat nur wenige der Muster Bergbau Probleme versucht.

Die verschiedenen Artikel, die im Bereich des seltenen Musterbergbaus veröffentlicht wurden, der verschiedene Themen behandelt, sind in Tabelle 5 aufgeführt. Die Tabelle enthält nur Artikel, die ein bestimmtes Problem behandeln, mit Ausnahme der Überprüfungsartikel. Aggarwal CC (2001) Auf dem Weg zur langen Mustergenerierung in dichten Datenbanken. ACM SIGKDD Explor Newsl 3(1):20–26 Hemalatha CS, Vaidehi V, Lakshmi R (2015) Minimaler seltener musterbasierter Ansatz für Bergbauausreißer in Datenströmen. Expert Syst Appl 42(4):1998–2012 Inokuchi A, Washio T, Motoda H (2000) Ein aprioribasierter Algorithmus zum Abbauen häufiger Unterstrukturen aus Diagrammdaten. In: European conference on principles of data mining and knowledge discovery, Springer, S. 13–23 Leung CKS, Khan QI (2006) Dstree: a tree structure for the mining of frequent sets from data streams. In: Sechste internationale Konferenz zum Data Mining (ICDM`06), IEEE, S. 928–932 Ein wahrscheinlicher Ansatz zur Lösung dieses Problems könnte die Verwendung sekundärer Speicherstrukturen sein, in denen die Kandidaten-Itemsets und Knoten, die die seltenen Itemsets darstellen, gespeichert werden können, wenn sie nicht mehr im Hauptspeicher untergebracht werden können. Cheung W, Zaiane OR (2003) Inkrementelles Mining häufiger Muster ohne Kandidatengenerierung oder Unterstützungseinschränkung.

In: Database Engineering and Applications symposium, 2003. Verfahren. Siebter internationaler, IEEE, S. 111–116 Han J, Dong G, Yin Y (1999) Effizienter Abbau partieller periodischer Muster in der Zeitreihendatenbank. In: Data Engineering, 1999. Proceedings., 15. internationale Konferenz über, IEEE, S. 106–115 Kürzlich haben Zhu et al. [173] versucht, die seltenen sequenziellen Muster aus Dokumentströmen zu bergen, die sequenziell sind.

Der Algorithmus mit dem Namen Sequential Topic Patterns (STPs) versucht, die ungewöhnlichen Aktivitäten von Internetbenutzern über Dokumentstreams zu identifizieren. Ein ähnlicher Versuch wurde von Rahman et al. [124] unternommen, um Anomalien in SCADA-Protokollen zu erkennen. Der Abbau seltener sequenzieller Muster wurde nicht ausgiebig erforscht, und in dieser Hinsicht gibt es viel Raum für Erweiterungen. Die seltene Muster-Mining-Community muss effiziente seltene sequenzielle Muster-Mining-Techniken entwickeln, die die zeitlichen und sequenziellen Beziehungen zwischen den seltenen Mustern aufrechterhalten.