최근 사전(prelarge) 기반 연구는, 이미 발견된 결과를 활용하여 자원 집약적인 패턴 확장 절차의 필요성을 최소화함으로써 효율적인 자원 사용을 가능하게 한다는 점에서 유틸리티 스트림 탐색에 대한 관심을 끌고 있다. 그러나 보다 최근 데이터가 더 큰 중요성을 갖는 시점 기반 시나리오에서는, 이러한 방법들이 모든 데이터를 동등하게 취급하므로 분석 결과가 구식의 경향을 산출한다. 일부 접근법이 시간적 중요성을 고려하더라도, prelarge 개념이 부재하여 매 데이터 도착 시마다 비용이 큰 패턴 확장 절차를 수행해야 하며, 그 결과 계산 비용이 높다. 이러한 한계를 극복하기 위해, 우리는 시간-감쇠(time-fading) 효과를 갖는 유틸리티 스트림을 탐색하면서 prelarge 개념을 채택하는 새로운 방법을 제안한다. 제안된 방법은 시간-감쇠 효과에 기반하여 리스트 기반 데이터 구조 내에서 더 최근의 거래에 더 큰 중요도를 효율적으로 부여한다. 또한, 우리의 방법은 재스캔 조건이 새 스트림 데이터 도착 시 충족되지 않는 경우 비용이 큰 패턴 확장을 수행하지 않으면서도, 이전에 발견된 패턴을 활용해 결과를 탐지한다. 광범위한 성능 평가 결과, 제안된 방법은 기존 방법들보다 더 효율적임이 입증되었다. 제안된 방법은 메모리 사용량을 유사하게 유지하면서 결과 손실 없이 정확도 100%를 달성하며, 가장 효율적인 기존 최첨단 접근법 대비 런타임을 최대 2.9배 향상시킨다. 또한 통계적 가설 검정은, 제안된 방법이 평균적으로 이전 연구보다 약 4배 적은 수의 결과를 탐지함을 보여준다. 질적 분석은 제안된 방법이 최신 연구보다 더 정교하고 최근성에 초점을 둔 결과 집합을 추출함을 시사하며, 사례 연구는 그 실용적 적용 가능성을 입증한다. • 비용이 큰 패턴 확장을 줄여 최근성에 초점을 둔 유틸리티 스트림을 탐색한다. • 시간-감쇠 효과를 통해 사전의 결과를 손실 없이 효율적으로 유지한다. • 시간-감쇠 효과 하에서 재스캔 조건을 정교화하여 어떠한 손실도 방지한다. • 다양한 유틸리티 스트림 시나리오에서 향상된 런타임과 확장성을 보인다.

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