Core Concepts
자동 인코더를 활용하여 시계열 데이터와 지식 그래프에서 의미론적 연관 규칙을 효율적으로 학습할 수 있다.
Abstract
이 연구는 자동 인코더를 활용하여 시계열 데이터와 지식 그래프에서 의미론적 연관 규칙을 학습하는 방법을 제안한다.
시계열 데이터를 지식 그래프와 연결하여 의미론적 정보를 추가함으로써 일반화되고 설명 가능한 연관 규칙을 학습할 수 있다.
자동 인코더를 활용하여 입력 데이터의 잠재 표현에서 연관 규칙을 추출할 수 있다.
실험 결과, 제안 방법인 AE SemRL은 기존 방법들에 비해 수백 배 빠른 실행 시간을 보이며, 학습된 규칙들이 일반적으로 강한 연관성을 나타낸다.
이 연구는 표현 학습을 통한 연관 규칙 학습의 새로운 방향을 제시하며, 다양한 응용 분야에서 활용될 수 있을 것으로 기대된다.
Stats
시계열 데이터 소스 수가 증가함에 따라 FP-Growth의 실행 시간이 급격히 증가한다.
AE SemRL은 시계열 데이터 소스 수 증가에 따른 실행 시간 증가가 상대적으로 작다.
AE SemRL은 최대 3개의 선행 항목을 가진 규칙을 학습할 때 실행 시간이 크게 증가한다.
Quotes
"자동 인코더를 활용하여 입력 데이터의 잠재 표현에서 연관 규칙을 추출할 수 있다."
"제안 방법인 AE SemRL은 기존 방법들에 비해 수백 배 빠른 실행 시간을 보이며, 학습된 규칙들이 일반적으로 강한 연관성을 나타낸다."