제한된 폐쇄 패턴 마이닝을 위한 데이터베이스 전치

초록

본 논문은 속성 수는 많고 객체 수는 적은 특수한 데이터베이스, 예를 들어 유전체 실험 데이터에 대해 “전치” 방식을 적용한다. 전치된 데이터베이스에서 폐쇄 패턴을 탐색하고, Galois 연결을 이용해 원본 데이터베이스의 폐쇄 패턴을 복원한다. 또한 제약 조건을 전치하는 이론적 틀을 제시하고, 전치된 폐쇄 패턴으로부터 제약을 만족하는 원본 패턴을 효율적으로 생성하는 알고리즘을 제안한다.

상세 분석

이 연구는 전통적인 패턴 마이닝이 데이터베이스의 행(객체)보다 열(속성)의 수가 훨씬 클 때 발생하는 탐색 공간 폭발 문제를 해결하고자 한다. 저자들은 먼저 원본 데이터베이스 (D)와 그 전치 (D^T) 사이의 Galois 연결을 정형화한다. Galois 연결은 객체 집합과 속성 집합 사이에 상호 보완적인 폐쇄 연산자를 제공함으로써, (D)에서의 폐쇄 패턴이 (D^T)에서의 폐쇄 패턴과 일대일 대응한다는 핵심 사실을 보장한다. 이때, 전치된 데이터베이스는 행 수가 원본보다 훨씬 작아지므로, 폐쇄 패턴 탐색 알고리즘(예: Close, LCM 등)의 실행 시간이 크게 단축된다.

다음으로 논문은 제약 조건의 전치를 다룬다. 일반적인 제약은 속성 기반(예: 최소 지원, 최대 길이)과 객체 기반(예: 특정 객체 포함 여부)으로 구분될 수 있다. 저자들은 각 제약을 전치 연산에 적용했을 때 보존되는 성질을 정리하고, 특히 단조성(monotonicity)과 반단조성(antimonotonicity)이 전치 과정에서 어떻게 변환되는지를 수학적으로 증명한다. 예를 들어, 최소 지원 제약은 전치 후에도 최소 지원 제약으로 유지되지만, 최대 길이 제약은 “최소 차원” 제약으로 전환된다. 이러한 변환 규칙을 기반으로, 전치된 데이터베이스에서 제약을 만족하는 폐쇄 패턴을 추출한 뒤, 역 Galois 연산을 통해 원본 데이터베이스의 폐쇄 패턴을 복원한다.

핵심 알고리즘은 두 단계로 구성된다. 1) 전치된 데이터베이스 (D^T)에 대해 제약을 적용한 폐쇄 패턴 집합 (\mathcal{C}^T)를 효율적인 폐쇄 마이닝 기법으로 수집한다. 2) 각 (\mathbf{c} \in \mathcal{C}^T)에 대해 Galois 역연산을 수행해 원본 객체 집합 (\mathbf{o}=f^{-1}(\mathbf{c}))를 얻고, 이를 원본 속성 집합 (\mathbf{a}=g(\mathbf{o}))와 결합해 폐쇄 패턴 ((\mathbf{o},\mathbf{a}))를 재구성한다. 여기서 (f)와 (g)는 각각 객체→속성, 속성→객체 폐쇄 연산이다.

마지막으로 저자들은 폐쇄 패턴으로부터 모든 비폐쇄 패턴을 생성하는 방법을 제시한다. 전통적인 방법은 폐쇄 패턴을 부분집합으로 분해해 후보 패턴을 열거하는데, 이 논문은 전치된 공간에서 이미 부분집합 관계가 역전된 형태로 존재함을 이용해, 폐쇄 패턴의 하위 집합을 직접 열거함으로써 중복 검증을 최소화한다. 실험 결과는 전치 기반 접근법이 메모리 사용량과 실행 시간 모두에서 기존 직접 마이닝 방법보다 현저히 우수함을 보여준다.