.png){kind=icon}
返回
DAFDISCOVER: Robust Mining Algorithm for Dynamic Approximate Functional Dependencies on Dirty Data
.png){kind=icon}
PRE
AI
DOI：10.14778/3681954.3682015.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据依赖挖掘在理解数据关系方面发挥着关键作用。为应对现实世界数据的日益复杂性，引入了基于传统函数依赖（FD）的近似函数依赖（AFDs）。然而，现有AFD方法使用静态松弛系数，限制了其在捕捉噪声数据依赖关系方面的有效性。我们提出了一种动态AFD变体DAFD，它融入了属性错误率。我们建立了DAFD与FD之间的双射关系，开发了其推理系统，并引入了DAFDISCOVER算法，可直接在噪声数据上挖掘依赖关系。DAFDISCOVER在时间复杂度和空间复杂度上与当前最优（SOTA）AFD挖掘方法相当，同时提供了更优的性能。我们从理论上证明了其正确性，提供了计算DAFD概率（DAFD-prob）的方法，并推导了DAFD在脏数据上有效性的下界。在多个公开数据集上的实验结果表明，DAFD在语义上优于现有方法，且DAFDISCOVER相较于当前最优AFD挖掘技术在有效性方面具有优势。
Keyword:
EFFICIENT ALGORITHM
DATA QUALITY
DISCOVERY
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
暂无机构信息
引用论文
Discovering Reliable Approximate Functional Dependencies.png)
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏EulerFD: An Efficient Double-Cycle Approximation of Functional DependenciesEulerFD：功能依赖关系的高效双循环近似算法
PREAI
分享收藏分享收藏A Statistical Perspective on Discovering Functional Dependencies in Noisy Data从统计角度看在噪声数据中发现函数依赖性OAAI
OAAI分享收藏
查看更多内容