A tarefa de Descoberta de Regras de Associação tem o objetivo de descobrir relacionamentos úteis e compreensivos em dados frequentes e infrequentes. Enquanto padrões frequentes descrevem um comportamento comum, padrões infrequentes representam comportamentos que raramente ocorrem. O interesse deste trabalho reside em encontrar regras de exceção, isto é, padrões que embora ocorram com pouca frequência, possuem efeitos potencialmente críticos como consequência. As abordagens existentes para Mineração de Regras de Exceção lidam com bases de dados de itemsets, em que as transações são organizadas sem informação temporal. No entanto, a temporalidade pode ser inerente a alguns contextos reais e deve ser considerada para melhorar a qualidade semântica dos resultados. Além disso, a maioria dessas abordagens possui alto custo computacional (de ordem exponencial), tornando-se inviáveis para minerar grandes volumes de dados. Com o objetivo de superar essas limitações, este trabalho propõe TRiER (TempoRal Exception Ruler), um método eficiente e escalável para Mineração de Regras de Exceção Temporais. Especificamente, o método proposto não apenas descobre comportamentos excepcionais e seus respectivos agentes causadores, mas também identifica quanto tempo as consequências demoram para aparecer. Foi realizada uma análise experimental em dados reais para verificar a aplicabilidade prática do TRiER. Os resultados obtidos mostram que o método possui menor custo computacional e é mais escalável do que os métodos correlatos, além de encontrar regras com maior relevância semântica.

Association rules are a common task to discover useful and comprehensive relationships among frequent and infrequent items. Frequent patterns describe a common behavior for certain conditions. Infrequent patterns, on the other hand, represent behavior that rarely occurs. Our interest lies in finding exception rules, i.e., patterns that although occurring infrequently have potentially critical effects as a consequence. Existing approaches for exception rule mining usually handle itemsets databases, where transactions are organized with no temporal information. However, temporality may be inherent to some real contexts and should be considered to improve the semantic quality of results. Moreover, most of these approaches have high computational cost (of exponential order), becoming unfeasible for mining large datasets. Aiming to overcome these drawbacks, we propose TRiER (TempoRal Exception Ruler), an efficient method for mining temporal exception rules. Especially, our method does not only discover exceptional behaviors and their causative agents, but also identifies how long consequences take to appear. We performed an extensive experimental analysis in real data to verify the practical applicability of TRiER. Our results shows TRiER has lower computational cost and is more scalable than existing approaches while finding rules with greater semantic relevance