Data Mining. Concepts and Techniques, 3rd Edition

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 665

#33

Bibliography

665

[SS05]

R. H. Shumway and D. S. Stoffer. Time Series Analysis and Its Applications. New York:

Springer, 2005.

[ST96]

A. Silberschatz and A. Tuzhilin. What makes patterns interesting in knowledge discovery

systems. IEEE Trans. Knowledge and Data Engineering, 8:970–974, Dec. 1996.

[STA98]

S. Sarawagi, S. Thomas, and R. Agrawal. Integrating association rule mining with rela-

tional database systems: Alternatives and implications. In Proc. 1998 ACM-SIGMOD Int.

Conf. Management of Data (SIGMOD’98), pp. 343–354, Seattle, WA, June 1998.

[STH

+

10]

Y. Sun, J. Tang, J. Han, M. Gupta, and B. Zhao. Community evolution detection in

dynamic heterogeneous information networks. In Proc. 2010 KDD Workshop Mining

and Learning with Graphs (MLG’10), Washington, DC, July 2010.

[Ste72]

W. Stefansky. Rejecting outliers in factorial designs. Technometrics, 14:469–479, 1972.

[Sto74]

M. Stone. Cross-validatory choice and assessment of statistical predictions. J. Royal

Statistical Society, 36:111–147, 1974.

[SVA97]

R. Srikant, Q. Vu, and R. Agrawal. Mining association rules with item constraints.

In Proc. 1997 Int. Conf. Knowledge Discovery and Data Mining (KDD’97), pp. 67–73,

Newport Beach, CA, Aug. 1997.

[SW49]

C. E. Shannon and W. Weaver. The Mathematical Theory of Communication. University

of Illinois Press, 1949.

[Swe88]

J. Swets. Measuring the accuracy of diagnostic systems. Science, 240:1285–1293, 1988.

[Swi98]

R. Swiniarski. Rough sets and principal component analysis and their applications in

feature extraction and selection, data model building and classification. In S. K. Pal

and A. Skowron (eds.), Rough Fuzzy Hybridization: A New Trend in Decision-Making,

Springer Verlag, Singapore, 1999.

[SWJR07]

X. Song, M. Wu, C. Jermaine, and S. Ranka. Conditional anomaly detection. IEEE Trans.

on Knowledge and Data Engineering, 19(5):631–645, 2007.

[SZ04]

D. Shasha and Y. Zhu. High Performance Discovery in Time Series: Techniques and Case

Studies. New York: Springer, 2004.

[TD02]

D. M. J. Tax and R. P. W. Duin. Using two-class classifiers for multiclass classification. In

Proc. 16th Intl. Conf. Pattern Recognition (ICPR’2002), pp. 124–127, Montreal, Quebec,

Canada, 2002.

[TFPL04]

Y. Tao, C. Faloutsos, D. Papadias, and B. Liu. Prediction and indexing of moving objects

with unknown motion patterns. In Proc. 2004 ACM-SIGMOD Int. Conf. Management of

Data (SIGMOD’04), pp. 611–622, Paris, France, June 2004.

[TG01]

I. Tsoukatos and D. Gunopulos. Efficient mining of spatiotemporal patterns. In Proc.

2001 Int. Symp. Spatial and Temporal Databases (SSTD’01), pp. 425–442, Redondo

Beach, CA, July 2001.

[THH01]

A. K. H. Tung, J. Hou, and J. Han. Spatial clustering in the presence of obstacles. In

Proc. 2001 Int. Conf. Data Engineering (ICDE’01), pp. 359–367, Heidelberg, Germany,

Apr. 2001.

[THLN01]

A. K. H. Tung, J. Han, L. V. S. Lakshmanan, and R. T. Ng. Constraint-based clustering

in large databases. In Proc. 2001 Int. Conf. Database Theory (ICDT’01), pp. 405–419,

London, Jan. 2001.

[THP08]

Y. Tian, R. A. Hankins, and J. M. Patel. Efficient aggregation for graph summariza-

tion. In Proc. 2008 ACM SIGMOD Int. Conf. Management of Data (SIGMOD’08),

pp. 567–580, Vancouver, British Columbia, Canada, June 2008.

---

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 666

#34

666

Bibliography

[Thu04]

B. Thuraisingham. Data mining for counterterrorism. In H. Kargupta, A. Joshi,

K. Sivakumar, and Y. Yesha (eds.), Data Mining: Next Generation Challenges and Future

Directions, pp. 157–183. AAAI/MIT Press, 2004.

[TK08]

S. Theodoridis and K. Koutroumbas. Pattern Recognition (4th ed.) Academic Press, 2008.

[TKS02]

P.-N. Tan, V. Kumar, and J. Srivastava. Selecting the right interestingness measure for

association patterns. In Proc. 2002 ACM SIGKDD Int. Conf. Knowledge Discovery in

Databases (KDD’02), pp. 32–41, Edmonton, Alberta, Canada, July 2002.

[TLZN08]

L. Tang, H. Liu, J. Zhang, and Z. Nazeri. Community evolution in dynamic multi-mode

networks. In Proc. 2008 ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining

(KDD’08), pp. 677–685, Las Vegas, NV, Aug. 2008.

[Toi96]

H. Toivonen. Sampling large databases for association rules. In Proc. 1996 Int. Conf. Very

Large Data Bases (VLDB’96), pp. 134–145, Bombay, India, Sept. 1996.

[TS93]

G. G. Towell and J. W. Shavlik. Extracting refined rules from knowledge-based neural

networks. Machine Learning, 13:71–101, Oct. 1993.

[TSK05]

P. N. Tan, M. Steinbach, and V. Kumar. Introduction to Data Mining. Boston: Addison-

Wesley, 2005.

[TSS04]

A. Tanay, R. Sharan, and R. Shamir. Biclustering algorithms: A survey. In S. Aluru (ed.),

Handbook of Computational Molecular Biology, pp. 26:1–26:17. London: Chapman &

Hall, 2004.

[Tuf83]

E. R. Tufte. The Visual Display of Quantitative Information. Graphics Press, 1983.

[Tuf90]

E. R. Tufte. Envisioning Information. Graphics Press, 1990.

[Tuf97]

E. R. Tufte. Visual Explanations: Images and Quantities, Evidence and Narrative. Graphics

Press, 1997.

[Tuf01]

E. R. Tufte. The Visual Display of Quantitative Information (2nd ed.). Graphics Press,

2001.

[TXZ06]

Y. Tao, X. Xiao, and S. Zhou. Mining distance-based outliers from large databases in any

metric space. In Proc. 2006 ACM SIGKDD Int. Conf. Knowledge Discovery in Databases

(KDD’06), pp. 394–403, Philadelphia, PA, Aug. 2006.

[UBC97]

P. E. Utgoff, N. C. Berkman, and J. A. Clouse. Decision tree induction based on efficient

tree restructuring. Machine Learning, 29:5–44, 1997.

[UFS91]

R. Uthurusamy, U. M. Fayyad, and S. Spangler. Learning useful rules from inconclusive

data. In G. Piatetsky-Shapiro and W. J. Frawley (eds.), Knowledge Discovery in Databases,

pp. 141–157. AAAI/MIT Press, 1991.

[Utg88]

P. E. Utgoff. An incremental ID3. In Proc. Fifth Int. Conf. Machine Learning (ICML’88),

pp. 107–120, San Mateo, CA, 1988.

[Val87]

P. Valduriez. Join indices. ACM Trans. Database Systems, 12:218–246, 1987.

[Vap95]

V. N. Vapnik. The Nature of Statistical Learning Theory. Springer Verlag, 1995.

[Vap98]

V. N. Vapnik. Statistical Learning Theory. John Wiley & Sons, 1998.

[VC71]

V. N. Vapnik and A. Y. Chervonenkis. On the uniform convergence of relative fre-

quencies of events to their probabilities. Theory of Probability and Its Applications,

16:264–280, 1971.

[VC03]

J. Vaidya and C. Clifton. Privacy-preserving k-means clustering over vertically parti-

tioned data. In Proc. 2003 ACM SIGKDD Int. Conf. Knowledge Discovery and Data

Mining (KDD’03), Washington, DC, Aug 2003.

---