고시간(High temporal) 퍼지 유틸리티 패턴 분석은 항목이 나타나는 시간적 요인을 고려하여 패턴을 추출하며, 퍼지 이론에 근거해 사람이 쉽게 이해할 수 있도록 언어적으로 패턴을 표현한다. 그러나 실제 세계의 스트림 데이터 환경에서는 센서 데이터의 부정확성 등과 같은 내재적 불확실성을 포함하는 경우가 많다. 그럼에도 불구하고, 시간적 측면을 활용한 기존의 패턴 분석 및 퍼지 집합 이론 연구들은 이러한 불확실성이나 부정확성을 명시적으로 반영하지 않는다. 이러한 한계에 동기를 받아, 동적 불확실 데이터 스트림에서 고시간 퍼지 유틸리티 패턴을 추출하기 위한 확장 가능한(scable) 방법을 제안한다. 각 트랜잭션에서 나타나는 항목과 관련된 불확실성을 통합함으로써, 우리의 방법은 실제 조건을 보다 정확히 반영하는 불확실성 기반 고시간 퍼지 유틸리티 패턴을 추출한다. 패턴 확장 과정은 리스트 구조와 다양한 가지치기(pruning) 방법을 통해 효율적으로 수행된다. 실험 결과는 제안된 접근법이 다양한 멤버십 함수(membership functions) 하에서 기존 방법에 비해 실행 시간과 메모리 사용 측면에서 우수한 성능을 보임을 나타낸다. 또한 이 방법은 데이터 양 증가에 대해 가장 높은 확장성을 가지며, 임계값 변화에 대한 민감도를 안정적으로 유지하면서 추출 결과의 완전성 및 유의성을 함께 나타낸다. 다양한 불확실성 분포에서의 평가는 우리의 접근법이 우수한 성능을 보임을 보여주며, 효과성 평가는 제안 구성요소들의 기여를 나타낸다. 개념 드리프트(concept drifting) 평가를 포함한 사례 연구는 성능이 더 나은 다양한 실제 환경에서 본 접근법의 적용 가능성을 시사한다. 구현은 https://github.com/sejongdmlab/ TFUN 에서 제공된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.