بهره‌گیری از توان تفاوت‌های گروهی ۲۰۲۲
Exploiting the Power of Group Differences 2022

این کتاب، روش‌های حل مسئله مبتنی بر الگو را برای مسائل متنوعی در یادگیری ماشین و تحلیل داده‌ها ارائه می‌دهد. این روش‌ها همگی بر پایه تکنیک‌هایی هستند که از قدرت تفاوت‌های گروهی بهره می‌برند. آنها از تفاوت‌های گروهی که با استفاده از الگوهای نوظهور (که به عنوان الگوهای متضاد نیز شناخته می‌شوند) نمایش داده می‌شوند، استفاده می‌کنند. الگوهای نوظهور الگوهایی هستند که تعداد بسیار متفاوتی از نمونه‌ها را در گروه‌های داده‌ای مختلف مطابقت می‌دهند. تعداد زیادی از کاربردها خارج از رشته‌ی محاسبات نیز در این کتاب گنجانده شده‌اند.

الگوهای نوظهور (EPs) به روش‌های مختلفی مفید هستند. EPs را می‌توان به عنوان ویژگی‌ها، به عنوان طبقه‌بندهای ساده، به عنوان امضاها/مشخصه‌های زیرجمعیت، و به عنوان شرایط تحریک‌کننده برای هشدارها استفاده کرد. EPs را می‌توان در رتبه‌بندی ژن‌ها برای بیماری‌های پیچیده استفاده کرد زیرا تعاملات چندعاملی را ثبت می‌کنند. طول EPs می‌تواند برای شناسایی ناهنجاری‌ها، موارد پرت و تازگی‌ها استفاده شود. روش‌های مبتنی بر الگوی نوظهور/متضاد برای تحلیل خوشه‌بندی و شناسایی موارد پرت به معیارهای فاصله نیاز ندارند، و از مشکلات احتمالی دومی در تحلیل اکتشافی داده‌های با ابعاد بالا جلوگیری می‌کنند. طبقه‌بندهای مبتنی بر EP می‌توانند حتی زمانی که مجموعه‌داده‌های آموزشی بسیار کوچک هستند، به دقت خوبی دست یابند، که آنها را برای انتخاب ترکیبات اکتشافی در طراحی دارو مفید می‌سازد. EPs می‌توانند به عنوان فرصت‌هایی در تقویت متمرکز بر فرصت عمل کنند و برای ساخت مجموعه‌های شرطی قدرتمند مفید هستند. روش‌های مبتنی بر EP اغلب مدل‌ها و نتایج قابل تفسیر تولید می‌کنند. به طور کلی، EPs برای طبقه‌بندی، خوشه‌بندی، شناسایی موارد پرت، رتبه‌بندی ژن‌ها برای بیماری‌های پیچیده، تجزیه و تحلیل و بهبود مدل پیش‌بینی و غیره مفید هستند.

EPs برای بسیاری از وظایف مفید هستند زیرا تفاوت‌های گروهی را نشان می‌دهند، که قدرت فوق‌العاده‌ای دارند. علاوه بر این، EPs تعاملات چندعاملی را نشان می‌دهند، که رسیدگی مؤثر به آنها از اهمیت حیاتی برخوردار است و یک چالش بزرگ در بسیاری از رشته‌ها است.

بر اساس نتایج ارائه شده در این کتاب، می‌توان به وضوح گفت که الگوها مفید هستند، به ویژه هنگامی که با مسائل مورد علاقه مرتبط باشند.

ما بر این باوریم که راه‌های مؤثر بسیاری برای بهره‌برداری از قدرت تفاوت‌های گروهی هنوز کشف نشده‌اند. امیدواریم این کتاب علاوه بر نشان دادن راه‌های موجود، خوانندگان را برای کشف چنین راه‌های جدیدی برای حل مسائل چالش‌برانگیز مختلف الهام بخشد.

This book presents pattern-based problem-solving methods for a variety of machine learning and data analysis problems. The methods are all based on techniques that exploit the power of group differences. They make use of group differences represented using emerging patterns (aka contrast patterns), which are patterns that match significantly different numbers of instances in different data groups. A large number of applications outside of the computing discipline are also included.

Emerging patterns (EPs) are useful in many ways. EPs can be used as features, as simple classifiers, as subpopulation signatures/characterizations, and as triggering conditions for alerts. EPs can be used in gene ranking for complex diseases since they capture multi-factor interactions. The length of EPs can be used to detect anomalies, outliers, and novelties. Emerging/contrast pattern based methods for clustering analysis and outlier detection do not need distance metrics, avoiding pitfalls of the latter in exploratory analysis of high dimensional data. EP-based classifiers can achieve good accuracy even when the training datasets are tiny, making them useful for exploratory compound selection in drug design. EPs can serve as opportunities in opportunity-focused boosting and are useful for constructing powerful conditional ensembles. EP-based methods often produce interpretable models and results. In general, EPs are useful for classification, clustering, outlier detection, gene ranking for complex diseases, prediction model analysis and improvement, and so on.

EPs are useful for many tasks because they represent group differences, which have extraordinary power. Moreover, EPs represent multi-factor interactions, whose effective handling is of vital importance and is a major challenge in many disciplines.

Based on the results presented in this book, one can clearly say that patterns are useful, especially when they are linked to issues of interest.

We believe that many effective ways to exploit group differences’ power still remain to be discovered. Hopefully this book will inspire readers to discover such new ways, besides showing them existing ways, to solve various challenging problems.