Anytime Algorithms for Stream Data Mining - RWTH Publications

323 Pages·2011·8.4 MB·English

by  Philipp Kranen

Anytime Algorithms
for Stream Data Mining
Von der Fakulta¨t fu¨r Mathematik, Informatik und Naturwissenschaften
der RWTH Aachen University zur Erlangung des akademischen Grades eines
Doktors der Naturwissenschaften genehmigte Dissertation
vorgelegt von
Diplom-Informatiker
Philipp Kranen
aus Willich, Deutschland
Berichter: Universita¨tsprofessor Dr. rer. nat. Thomas Seidl
Visiting Professor Michael E. Houle, PhD
Tag der mu¨ndlichen Pru¨fung: 14.09.2011
Diese Dissertation ist auf den Internetseiten
der Hochschulbibliothek online verfu¨gbar.

Contents
Abstract / Zusammenfassung 1
I Introduction 5
1 The Need for Anytime Algorithms 7
1.1 Thesis structure . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Knowledge Discovery from Data 17
2.1 The KDD process and data mining tasks . . . . . . . . . . . 17
2.2 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3 Stream Data Mining 43
3.1 General Tools and Techniques . . . . . . . . . . . . . . . . . 43
3.2 Stream Classification . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Stream Clustering . . . . . . . . . . . . . . . . . . . . . . . . 59
II Anytime Stream Classification 69
4 The Bayes Tree 71
4.1 Introduction and Preliminaries . . . . . . . . . . . . . . . . . 72
4.2 Indexing density models . . . . . . . . . . . . . . . . . . . . 76
4.3 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
i
ii CONTENTS
5 The MC-Tree 99
5.1 Combining Multiple Classes . . . . . . . . . . . . . . . . . . 100
5.2 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6 Bulk Loading the Bayes Tree 117
6.1 Bulk loading mixture densities . . . . . . . . . . . . . . . . . 117
6.2 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
7 The Classifier Family: Learn from your Relatives 129
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.2 Learning from Relatives . . . . . . . . . . . . . . . . . . . . 131
7.3 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
8 Application: Anytime Classification in HealthNet Scenarios 151
8.1 Scenario and Prototype . . . . . . . . . . . . . . . . . . . . . 152
8.2 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
9 Anytime Algorithms on Constant Streams 159
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
9.2 Novel Approaches for Constant Data Streams . . . . . . . . 161
9.3 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
10 Future Work 181
III Anytime Stream Clustering 183
11 Self-adaptive Anytime Stream Clustering 185
11.1 The ClusTree Algorithm . . . . . . . . . . . . . . . . . . . . 186
11.2 Analysis and experiments . . . . . . . . . . . . . . . . . . . 196
11.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
CONTENTS iii
12 Exploiting additional time in the ClusTree 207
12.1 Alternative descent strategies . . . . . . . . . . . . . . . . . 207
12.2 Evaluation of descent strategies . . . . . . . . . . . . . . . . 213
12.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
13 Robust Anytime Stream Clustering 217
13.1 The LiarTree . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
13.2 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
13.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
14 Application: Using Modeling for Anytime Outlier Detection 237
14.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
14.2 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . 238
14.3 Detecting outliers in streaming data . . . . . . . . . . . . . . 240
14.4 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
14.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
15 MOA and CMM 251
15.1 The MOA Framework . . . . . . . . . . . . . . . . . . . . . . 252
15.2 Evaluation Measures for Stream Clustering . . . . . . . . . . 260
16 Future Work 263
IV Summary and Outlook 265
V Appendices I
Bibliography III
Statement of Originality XLI
List of Publications XLIII
Curriculum Vitae XLVII

Abstract
Data is collected and stored everywhere, be it images or audio files on
privatecomputers, customerdataintraditionalorelectronicbusinesses, per-
formance or control data in production sites, web traffic and click streams
at internet providers, statistical data at government agencies, sensor mea-
surements in scientific experimentation, surveillance data, etc. There are
countless examples, and the amount of data is tremendous. Data mining is
theprocessoffindingusefulandpreviouslyunknownpatternsindata. Inthe
examples listed above, data mining can be used for automated recommen-
dation of audio files, business analysis and target marketing, or performance
optimization and hazard warnings. While early mining algorithms only con-
sidered static data sets, research and practice in data mining must nowadays
deal with continuous, possible infinite streams of data, which are prevalent
in most real world applications and scenarios.
Anytime algorithms constitute a special type of algorithm that is well
suited to work on data streams. They inherit their name from their ability
to provide a result after any amount of processing time. The amount of
time available is not known to the algorithm inadvance: anytime algorithms
quickly compute an initial result and strive to improve it as long as time
remains. When interrupted they deliver the best result obtained until that
point in time.
In this thesis anytime classification is studied in depth for the Bayesian
approach. New algorithmic solutions for anytime classification are devel-
oped and evaluated in extensive experimentation. The first anytime stream
clustering algorithm is proposed, and an application to anytime outlier de-
tection is presented. In addition to the algorithmic contributions, new meta-
approachesaredescribedthatsignificantlywidentheareaofapplicationsfor
anytime algorithms. The solutions and results of this thesis contribute to the
state of the art in anytime algorithms and stream data mining research.
1

Zusammenfassung
Die rasante Entwicklung der Informationstechnologie hat zur Folge, dass
in allen Bereichen der Gesellschaft und des ta¨glichen Lebens große Mengen
anDatenerzeugtundgespeichertwerden. BeispielereichenvonMultimedia-
Daten auf privaten Computern bis hin zu Messdaten in wissenschaftlichen
Experimenten. Data Mining beschreibt die Aufgabe, in solchen Daten neue
undinteressanteMusterzufinden. Dieseko¨nnenbeispielsweisezurautoma-
tischen Empfehlung von Filmen genutzt werden oder helfen neue Zusam-
menha¨nge aufzudecken und Prozesse zu verstehen. Seit Beginn der Data
Mining Forschung wa¨chst die Gro¨ße der zu verarbeitenden Datensa¨tze.
Wa¨hrendDatensa¨tzezuna¨chstalsstatischundvollsta¨ndiggegebenangenom-
men wurden, generieren viele Anwendungen heute kontinuierliche und teil-
weise unendliche Datenstro¨me.
Anytime-Algorithmen stellen eine Klasse von Algorithmen dar, welche
sich besonders gut zum Einsatz auf Datenstro¨men eignet. Ihr Name ru¨hrt
von ihrer Eigenschaft her, zu jeder Zeit ein Ergebnis liefern zu ko¨nnen. Die
zur Verfu¨gung stehende Zeit ist dem Algorithmus dabei nicht bekannt: er
berechnet ein initiales Ergebnis und verbessert dieses solange zusa¨tzliche
Rechenzeit vorhanden ist. Wird der Algorithmus unterbrochen, so liefert er
das beste Ergebnis zuru¨ck, welches bis zu diesem Zeitpunkt erzielt wurde.
In dieser Dissertation werden neue Anytime-Verfahren fu¨r die Bayes
Klassifikation entwickelt, intensiv untersucht und evaluiert. Der erste
Anytime-Algorithmus zum Clustern von Datenstro¨men wird vorgestellt und
eine Anwendung fu¨r die Erkennung von Ausreißern wird diskutiert. Neben
neuen Algorithmen werden zwei u¨bergeordnete Verfahren entwickelt, die
denAnwendungsbereichfu¨rAnytime-Algorithmensignifikanterweitern. Die
in dieser Dissertation vorgestellten Ansa¨tze und Resultate tragen zum Stand
der Forschung im Bereich Anytime-Algorithmen und Data Mining auf Daten-
stro¨men bei.
3