Statistically significant patterns mining (SSPM) is an essential and challenging data mining task in the field of knowledge discovery in databases (KDD), in which each pattern is evaluated via a hypothesis test. Our study aims to introduce a preference relation into patterns and to discover the most preferred patterns under the constraint of statistical significance, which has never been considered in existing SSPM problems. We propose an iterative multiple testing procedure that can alternately reject a hypothesis and safely ignore the hypotheses that are less useful than the rejected hypothesis. One advantage of filtering out patterns with low utility is that it avoids consumption of the significance budget by rejection of useless (that is, uninteresting) patterns. This allows the significance budget to be focused on useful patterns, leading to more useful discoveries. We show that the proposed method can control the familywise error rate (FWER) under certain assumptions, that can be satisfied by a realistic problem class in SSPM.\@We also show that the proposed method always discovers a set of patterns that is at least equally or more useful than those discovered using the standard Tarone-Bonferroni method SSPM.\@Finally, we conducted several experiments with both synthetic and real-world data to evaluate the performance of our method. As a result, in the experiments with real-world datasets, the proposed method discovered a larger number of more useful patterns than the existing method for all five conducted tasks.

中文翻译：

---

具有序数效用的统计显着模式挖掘

统计显着模式挖掘 (SSPM) 是数据库知识发现 (KDD) 领域中一项必不可少且具有挑战性的数据挖掘任务，其中每个模式都通过假设检验进行评估。我们的研究旨在将偏好关系引入模式，并在统计显着性的约束下发现最偏好的模式，这在现有的 SSPM 问题中从未考虑过。我们提出了一个迭代多重测试程序，它可以交替拒绝一个假设，并安全地忽略比被拒绝的假设有用的假设。过滤掉效用低的模式的一个优点是它通过拒绝无用（即无趣的）模式来避免消耗重要性预算。这允许重要性预算集中在有用的模式上，导致更多有用的发现。我们表明，所提出的方法可以在某些假设下控制家庭错误率 (FWER)，这可以通过 SSPM 中的现实问题类来满足。\@我们还表明，所提出的方法总是会发现一组至少为与使用标准 Tarone-Bonferroni 方法 SSPM 发现的结果相同或更有用。\@最后，我们对合成数据和真实数据进行了多次实验，以评估我们方法的性能。结果，在真实世界数据集的实验中，所提出的方法发现了比现有方法更多的有用模式，用于所有五个进行的任务。这可以通过 SSPM 中的现实问题类来满足。\@我们还表明，所提出的方法总是会发现一组模式，这些模式至少与使用标准 Tarone-Bonferroni 方法 SSPM 发现的模式相同或更有用。\@Finally ，我们对合成数据和真实数据进行了多次实验，以评估我们方法的性能。结果，在真实世界数据集的实验中，所提出的方法发现了比现有方法更多的有用模式，用于所有五个进行的任务。这可以通过 SSPM 中的现实问题类来满足。\@我们还表明，所提出的方法总是会发现一组模式，这些模式至少与使用标准 Tarone-Bonferroni 方法 SSPM 发现的模式相同或更有用。\@Finally ，我们对合成数据和真实数据进行了多次实验，以评估我们方法的性能。结果，在真实世界数据集的实验中，所提出的方法发现了比现有方法更多的有用模式，用于所有五个进行的任务。我们对合成数据和真实数据进行了多次实验，以评估我们方法的性能。结果，在真实世界数据集的实验中，所提出的方法发现了比现有方法更多的有用模式，用于所有五个进行的任务。我们对合成数据和真实数据进行了多次实验，以评估我们方法的性能。结果，在真实世界数据集的实验中，所提出的方法发现了比现有方法更多的有用模式，用于所有五个进行的任务。