.png){kind=icon}
返回
Approximate erasable pattern discovery and analytics on stream data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113161.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可擦除模式挖掘，通过寻找具有低增益值的可移除模式，通过寻找利润较低的产品来克服制造业工厂等工业领域发生的金融危机，从而最小化损失。当在现实世界中使用数据时，数据中存在各种大小的误差，如测量误差、通信误差或噪声。这些环境下的结果不准确，由此提取的模式缺陷可能在工业领域造成长期影响和重大损失。因此，我们提出了一种挖掘策略，能够在任何环境下提取可靠且稳健的可擦除模式。我们提出的算法应用近似因子概念，以考虑数据误差范围和交易数量。同时，通过考虑实时生成和累积的数据流特性，快速高效地提取可擦除模式。本文从数据流中进行近似可擦除模式挖掘，即使在可能发生误差的环境中也能提取可靠的可擦除模式。性能评估使用四个具有不同特性的真实数据集和两个合成数据集组进行。评估结果表明，本方法在运行时间上最快可提升至四倍，且在内存使用方面总体高效。
Keyword:
Data mining
Approximation
Erasable pattern
Error tolerance
Stream data
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Approximation of Probabilistic Maximal Frequent Itemset Mining Over Uncertain Sensed Data.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
分享收藏A decision-support model through online reviews: Consumer preference analysis and product ranking在线评论的决策支持模型: 消费者偏好分析和产品排名
PREAI
分享收藏
查看更多内容