逐渐的模式提取是数据库中（KDD）知识发现中的一个字段，该领域将数据集的属性之间的相关性映射为逐渐依赖性。逐渐的依赖性可以采用“较高的属性k，较小的属性L”的形式。在本文中，我们提出了一种使用概率方法来学习和提取频繁逐渐模式的蚂蚁菌落优化技术。通过对现实世界数据集的计算实验，我们将基于蚂蚁的算法的性能与现有的渐进项目集提取算法进行了比较，我们发现我们的算法表现优于后期，尤其是在处理大型数据集时。

对比模式挖掘（CPM）是数据挖掘的重要且流行的子场。传统的顺序模式无法描述不同类别数据之间的对比度信息，而涉及对比概念的对比模式可以描述不同对比条件下数据集之间的显着差异。根据该领域发表的论文数量，我们发现研究人员对CPM的兴趣仍然活跃。由于CPM有许多研究问题和研究方法。该领域的新研究人员很难在短时间内了解该领域的一般状况。因此，本文的目的是为对比模式挖掘的研究方向提供最新的全面概述。首先，我们对CPM提出了深入的理解，包括评估歧视能力的基本概念，类型，采矿策略和指标。然后，我们根据CPM方法根据其特征分类为基于边界的算法，基于树的算法，基于进化模糊的系统算法，基于决策树的算法和其他算法。此外，我们列出了这些方法的经典算法，并讨论它们的优势和缺点。提出了CPM中的高级主题。最后，我们通过讨论该领域的挑战和机遇来结束调查。

Nowadays, with the rapid development of the Internet, the era of big data has come. The Internet generates huge amounts of data every day. However, extracting meaningful information from massive data is like looking for a needle in a haystack. Data mining techniques can provide various feasible methods to solve this problem. At present, many sequential rule mining (SRM) algorithms are presented to find sequential rules in databases with sequential characteristics. These rules help people extract a lot of meaningful information from massive amounts of data. How can we achieve compression of mined results and reduce data size to save storage space and transmission time? Until now, there has been little research on the compression of SRM. In this paper, combined with the Minimum Description Length (MDL) principle and under the two metrics (support and confidence), we introduce the problem of compression of SRM and also propose a solution named ComSR for MDL-based compressing of sequential rules based on the designed sequential rule coding scheme. To our knowledge, we are the first to use sequential rules to encode an entire database. A heuristic method is proposed to find a set of compact and meaningful sequential rules as much as possible. ComSR has two trade-off algorithms, ComSR_non and ComSR_ful, based on whether the database can be completely compressed. Experiments done on a real dataset with different thresholds show that a set of compact and meaningful sequential rules can be found. This shows that the proposed method works.

对于应用智能，公用事业驱动的模式发现算法可以识别数据库中有见地和有用的模式。但是，在这些用于模式发现的技术中，模式的数量可能很大，并且用户通常只对其中一些模式感兴趣。因此，有针对性的高实数项目集挖掘已成为一个关键的研究主题，其目的是找到符合目标模式约束而不是所有模式的模式的子集。这是一项具有挑战性的任务，因为在非常大的搜索空间中有效找到量身定制的模式需要有针对性的采矿算法。已经提出了一种称为Targetum的第一种算法，该算法采用了类似于使用树结构进行后处理的方法，但是在许多情况下，运行时间和内存消耗都不令人满意。在本文中，我们通过提出一种带有模式匹配机制的新型基于列表的算法（名为Thuim（有针对性的高实用项目集挖掘））来解决此问题，该机制可以在挖掘过程中迅速匹配高实用项，以选择目标模式。在不同的数据集上进行了广泛的实验，以将所提出算法的性能与最新算法进行比较。结果表明，THUIM在运行时和内存消耗方面表现良好，并且与Targetum相比具有良好的可扩展性。

High-utility sequential pattern mining (HUSPM) has emerged as an important topic due to its wide application and considerable popularity. However, due to the combinatorial explosion of the search space when the HUSPM problem encounters a low utility threshold or large-scale data, it may be time-consuming and memory-costly to address the HUSPM problem. Several algorithms have been proposed for addressing this problem, but they still cost a lot in terms of running time and memory usage. In this paper, to further solve this problem efficiently, we design a compact structure called sequence projection (seqPro) and propose an efficient algorithm, namely discovering high-utility sequential patterns with the seqPro structure (HUSP-SP). HUSP-SP utilizes the compact seq-array to store the necessary information in a sequence database. The seqPro structure is designed to efficiently calculate candidate patterns' utilities and upper bound values. Furthermore, a new upper bound on utility, namely tighter reduced sequence utility (TRSU) and two pruning strategies in search space, are utilized to improve the mining performance of HUSP-SP. Experimental results on both synthetic and real-life datasets show that HUSP-SP can significantly outperform the state-of-the-art algorithms in terms of running time, memory usage, search space pruning efficiency, and scalability.

基于分析数据采矿领域的支持交易中的效用比例，高效占用模式挖掘（Huopm）最近引起了广泛的关注。与高实用图案挖掘（HUPM）不同，涉及高实用程序（例如，有利可图）模式的枚举，Huopm旨在找到代表现有交易集合的模式。然而，在实际应用中，并非所有模式都使用或有价值。例如，模式可能包含太多项目，即模式可能太具体，因此对现实生活中的用户缺乏值。为了实现具有灵活长度的合格模式，我们在采矿过程中限制了最小和最大长度，并为灵活的高公用事业占用模式进行了新颖的算法。我们的算法称为Huopm +。为了确保图案的灵活性并拧紧公用事业占用的上限，提出了一种称为长度上限（LUB）的策略以修剪搜索空间。此外，使用实用程序占用列表（UO-NLIST）和频率实用占用表（FUO-TABLE）来避免数据库的多个扫描。随后的实验的评估结果证实，该算法可以有效地控制衍生模式的长度，用于现实世界和合成数据集。此外，它可以降低执行时间和存储器消耗。

复杂的事件处理（CEP）是一组方法，可以使用复杂和高度描述性模式从大规模数据流中提取有效的知识。许多应用程序，例如在线金融，医疗保健监控和欺诈检测，使用CEP技术来实时捕获关键警报，潜在威胁或重要通知。截至今天，在许多领域，模式是由人类专家手动定义的。但是，所需的模式通常包含令人费解的关系，而人类很难检测到，并且在许多领域中，人类的专业知识都是稀缺的。我们提出了救赎主（基于加固的CEP模式矿工），这是一种新颖的增强和主动学习方法，旨在采矿CEP模式，允许在减少所需人类努力的同时提取知识的扩展。这种方法包括一种新颖的政策梯度方法，用于庞大的多元空间，以及一种结合强化和积极学习以进行CEP规则学习的新方法，同时最大程度地减少培训所需的标签数量。救赎主的目标是使CEP集成在以前无法使用的域中。据我们所知，救赎主是第一个提出事先观察到的新CEP规则的系统，并且是第一种旨在增加专家没有足够信息的领域模式知识的方法。我们对各种数据集的实验表明，救赎主能够扩展模式知识，同时超过了几种用于模式挖掘的最先进的强化学习方法。

现成的实用工具采矿（OSUM）是数据挖掘的新兴研究方向。它的目的是发现在销售时间内具有相对效用的物品集。与传统的公用事业开采相比，Osum可以在现实生活中找到更多实用和有意义的模式。但是，传统Osum有一个主要的缺点。对于普通用户而言，很难定义最低阈值细节，以挖掘适量的货架上的高实用物品集。一方面，如果设置阈值太高，则图案的数量将不够。另一方面，如果设定阈值太低，则会发现太多模式，并导致不必要的时间和记忆消耗。为了解决此问题，用户通常直接指定一个参数k，其中仅考虑顶级相对实用项目集。因此，在本文中，我们提出了一种通用算法TOIT，用于挖掘Top-K On-Shelf高耗时模式来解决此问题。 TOIT采用了一种新颖的策略来根据架子上的数据集提高细节。此外，还采用了两种名为Subtree实用程序的新型上限策略，并应用了本地实用程序来修剪搜索空间。通过采用上述策略，TOIT算法可以尽早缩小搜索空间，提高采矿效率并降低记忆消耗，从而比其他算法获得更好的性能。在具有不同样式的真实数据集上进行了一系列实验，以将效果与最新的Koshu算法进行比较。实验结果表明，TOIT在运行时间和内存消耗中都优于Koshu。

如今，用于行业4.0和物联网（IoT）的智能系统的环境正在经历快速的工业升级。开发了设计制造，事件检测和分类等大数据技术，以帮助制造组织实现智能系统。通过应用数据分析，可以最大化富数据的潜在值，从而帮助制造组织完成另一轮升级。在本文中，我们针对大数据分析提出了两种新算法，即UFC $ _ {gen} $和UFC $ _ {fast} $。两种算法旨在收集三种类型的模式，以帮助人们确定不同产品组合的市场位置。我们将这些算法在各种类型的数据集上进行比较，包括真实和合成。实验结果表明，这两种算法都可以通过基于用户指定的实用程序和频率阈值来利用所有候选模式的三种不同类型的有趣模式来成功实现模式分类。此外，就执行时间和内存消耗而言，基于列表的UFC $ _ {fast} $算法优于基于级别的UFC $ _ {gen} $算法。

在许多实际应用程序中，顺序规则挖掘（SRM）可以为各种服务提供预测和建议功能。这是模式挖掘的重要技术，可以发现所有属于高频和高信顺序规则的有价值的规则。尽管提出了一些SRM的算法来解决各种实际问题，但没有关于目标顺序规则的研究。有针对性的顺序规则挖掘旨在挖掘用户关注的有趣的顺序规则，从而避免产生其他无效和不必要的规则。这种方法可以进一步提高用户在分析规则和减少数据资源消耗方面的效率。在本文中，我们提供了目标顺序规则的相关定义，并制定了目标顺序规则挖掘的问题。此外，我们提出了一种有效的算法，称为靶向顺序规则挖掘（TASRM）。引入了几种修剪策略和优化，以提高TASRM的效率。最后，在不同的基准测试上进行了大量实验，我们根据其运行时间，内存消耗和可扩展性以及具有不同查询规则的查询情况分析结果。结果表明，与现有的基线算法相比，新型算法TASRM及其变体可以实现更好的实验性能。

作为重要的数据挖掘技术，高公用事业项目集挖掘（HUIM）用于找出有趣但隐藏的信息（例如，利润和风险）。 HUIM已广泛应用于许多应用程序方案，例如市场分析，医疗检测和网络点击流分析。但是，大多数以前的HUIM方法通常忽略项目集中项目之间的关系。因此，在Huim中发现了许多无关的组合（例如，\ {Gold，Apple \}和\ {笔记本，书籍\}）。为了解决这一限制，已经提出了许多算法来开采相关的高公用事业项目集（Cohuis）。在本文中，我们提出了一种新型算法，称为Itemset实用性最大化，相关度量（COIUM），该算法既考虑较强的相关性，又考虑了项目的有利可图。此外，新型算法采用数据库投影机制来降低数据库扫描的成本。此外，利用了两种上限和四种修剪策略来有效修剪搜索空间。并使用一个名为“实用程序”的简洁阵列结构来计算和存储在线性时间和空间中所采用的上限。最后，对密集和稀疏数据集的广泛实验结果表明，在运行时和内存消耗方面，COIUM显着优于最新算法。

高效用顺序模式采矿（HUSPM）是具有许多真实世界应用的知识发现和数据分析中的重要活动。在某些情况下，HUSPM无法提供出色的措施来预测会发生什么。高效用顺序规则挖掘（HUSRM）发现了高实用性和高置信顺序规则，从而使其可以解决HUSPM中的问题。所有现有的HUSRM算法旨在找到与现实不一致的，可能会产生假的HUSRS的高级序列顺序规则（HUSRS）。因此，在本文中，我们制定了高公用事业完全订购的顺序规则挖掘的问题，并提出了两种称为petalsr和totalsr+的新型算法，旨在识别所有高实用性完全订购的顺序规则（HTSRS）。 TotalSR创建了一个实用表，该表可以有效地计算前提支持和一个效用前缀总和列表，该列表可以计算序列中O（1）时间中的剩余实用程序。我们还引入了左侧的扩展策略，该策略可以利用反单调性属性来使用信心修剪策略。 TotalSr还可以在实用程序上限的修剪策略的帮助下大大减少搜索空间，从而避免更加有意义的计算。此外，TotalSr+使用辅助前期记录表来更有效地发现HTSR。最后，在真实和合成数据集上都有许多实验结果，表明topalsR比较少的修剪策略的算法要高得多，并且在运行时间和可伸缩性方面，topalsr+效率更高。

分析序列数据通常导致有趣模式的发现，然后是异常检测。近年来，已经提出了许多框架和方法来发现序列数据中有趣的模式以及检测异常行为。然而，现有的算法主要专注于频率驱动的分析，并且它们是在现实世界的环境中应用的具有挑战性。在这项工作中，我们展示了一个名为Duos的新的异常检测框架，可以从一组序列中发现实用程序感知异常顺序规则。在基于模式的异常检测算法中，我们纳入了一个组的异常度和实用程序，然后介绍了实用程序感知异常序列规则（UOSR）的概念。我们表明这是一种检测异常的更有意义的方式。此外，我们提出了一些有效的修剪策略w.r.t.用于挖掘UOSR的上限，以及异常检测。在若干现实世界数据集上进行了广泛的实验研究表明，所提出的Duos算法具有更好的有效性和效率。最后，DUOS优于基线算法，具有合适的可扩展性。

4月20日至22日，在马德里（西班牙）举行的EVO* 2022会议上提交了末期摘要。这些论文介绍了正在进行的研究和初步结果，这些结果研究了对不同问题的不同方法（主要是进化计算）的应用，其中大多数是现实世界中的方法。

蒙特卡洛树搜索（MCT）是设计游戏机器人或解决顺序决策问题的强大方法。该方法依赖于平衡探索和开发的智能树搜索。MCT以模拟的形式进行随机抽样，并存储动作的统计数据，以在每个随后的迭代中做出更有教育的选择。然而，该方法已成为组合游戏的最新技术，但是，在更复杂的游戏（例如那些具有较高的分支因素或实时系列的游戏）以及各种实用领域（例如，运输，日程安排或安全性）有效的MCT应用程序通常需要其与问题有关的修改或与其他技术集成。这种特定领域的修改和混合方法是本调查的主要重点。最后一项主要的MCT调查已于2012年发布。自发布以来出现的贡献特别感兴趣。

众所周知，加入操作（尤其是N-Way，多到许多人的加入）是耗时和资源的。在大尺度上，关于桌子和联接量的大小，当前的最新方法（包括使用嵌套环/哈希/排序 - 合并算法的二进制加入算法，或者，或者，最糟糕的案例最佳连接算法（wojas）），甚至可能无法给定合理的资源和时间限制产生任何答案。在这项工作中，我们介绍了一种新的n-way qui-join处理方法，即图形结合（GJ）。关键想法是两个方面：首先，将物理连接计算问题映射到PGMS并引入调整的推理算法，该算法可以计算基于运行的编码（RLE）基于连接的汇总摘要，并需要实现结合结果所必需的所有统计信息。其次，也是最重要的是，要表明，像GJ这样的联接算法（像GJ一样）产生了上述联接介绍摘要，然后对其进行删除，可以在时空中引入巨大的性能优势。通过工作，TPCD和LASTFM数据集的加入查询进行了全面的实验，将GJ与PostgreSQL和MonetDB进行了比较，以及UMBRA系统中实现的最先进的WOJA。内存中加入计算的结果表明，性能改善的速度分别比PostgreSQL，MONETDB和UMBRA快64倍，388倍和6倍。对于磁盘加入计算，GJ的速度比PostgreSQL，MONETDB和UMBRA的速度分别高达820X，717X和165X。此外，GJ空间需求分别高达21,488倍，38,333倍和78,750倍，分别比PostgreSQL，MonetDB和Umbra小。

复杂的事件识别（CER）系统在过去二十年中变得流行，因为它们能够“立即”检测在实时事件流上的模式。然而，缺乏预测模式可能发生在例如由Cer发动机实际检测到这种发生之前的模式。我们提出了一项正式的框架，试图解决复杂事件预测（CEF）的问题。我们的框架结合了两个形式主义：a）用于编码复杂事件模式的符号自动机; b）预测后缀树，可以提供自动机构的行为的简洁概率描述。我们比较我们提出的方法，以防止最先进的方法，并在准确性和效率方面展示其优势。特别地，预测后缀树是可变的马尔可夫模型，可以通过仅记住足够的信息的过去序列来捕获流中的长期依赖性。我们的实验结果表明了能够捕获这种长期依赖性的准确性的益处。这是通过增加我们模型的顺序来实现的，以满足需要执行给定顺序的所有可能的过去序列的所有可能的过去序列的详尽枚举的全阶马尔可夫模型。我们还广泛讨论CEF解决方案如何最佳地评估其预测的质量。

Monte Carlo Tree Search (MCTS) is a recently proposed search method that combines the precision of tree search with the generality of random sampling. It has received considerable interest due to its spectacular success in the difficult problem of computer Go, but has also proved beneficial in a range of other domains. This paper is a survey of the literature to date, intended to provide a snapshot of the state of the art after the first five years of MCTS research. We outline the core algorithm's derivation, impart some structure on the many variations and enhancements that have been proposed, and summarise the results from the key game and non-game domains to which MCTS methods have been applied. A number of open research questions indicate that the field is ripe for future work.

信息科学的快速发展引起的“维度诅咒”在处理大数据集时可能会产生负面影响。在本文中，我们提出了Sparrow搜索算法（SSA）的一种变体，称为帐篷L \'evy飞行麻雀搜索算法（TFSSA），并使用它来选择包装模式中最佳的特征子集以进行分类。 SSA是最近提出的算法，尚未系统地应用于特征选择问题。通过CEC2020基准函数进行验证后，TFSSA用于选择最佳功能组合，以最大化分类精度并最大程度地减少所选功能的数量。将拟议的TFSSA与文献中的九种算法进行了比较。 9个评估指标用于正确评估和比较UCI存储库中21个数据集上这些算法的性能。此外，该方法应用于冠状病毒病（COVID-19）数据集，分别获得最佳的平均分类精度和特征选择的平均数量，为93.47％和2.1。实验结果证实了所提出的算法在提高分类准确性和减少与其他基于包装器的算法相比的选定特征数量方面的优势。

排名汇总旨在将许多替代品的偏好排名与不同选民的偏替排名组合成单一共识排名。然而，作为各种实际应用的有用模型，它是一个计算上有挑战性的问题。在本文中，我们提出了一种有效的混合进化排名算法来解决完整和部分排名的排名聚集问题。该算法具有基于协调对的语义交叉，并通过有效的增量评估技术加强了较晚的验收本地搜索。进行实验以评估算法，与最先进的算法相比，表明基准实例上具有高度竞争性能。为了展示其实际有用性，算法应用于标签排名，这是一个重要的机器学习任务。