คลาสแรกของเทคนิคสำหรับ mining infrequent patterns ให้ทุก item เป็น symmetric binary variable Transaction information สามารถ binarized ได้โดย augment ด้วย negative items แสดงตัวอย่างการเปลี่ยนข้อมูลต้นฉบับเป็น transactions ที่มีทั้ง positive และ negative items โดยใช้ frequent itemset generation algorithms ที่มีอยู่ เช่น Apriori บน augmented transactions สามารถ derive negative itemsets ได้
แนวทางนี้เป็นไปได้ก็ต่อเมื่อ variables ไม่มากถูกมองเป็น symmetric binary (คือค้นหา negative patterns ที่มี negation ของจำนวน items น้อย) ถ้าทุก item ต้องเป็น symmetric binary ปัญหาจะกลายเป็น computationally difficult เพราะ:
จำนวน items เพิ่มเป็นสองเท่าเมื่อ augment แต่ละ item ด้วย negative item แทนที่จะ explore itemset lattice ขนาด 2d (d = จำนวน items ในข้อมูลต้นฉบับ) lattice จะใหญ่ขึ้น
Support-based pruning ไม่มีประสิทธิภาพเมื่อ augment negative items สำหรับทุก variable x ไม่ว่าจะเป็น x หรือ x' จะมี support ≥ 50% ดังนั้นแม้ support threshold = 50% ก็ยังมี items ครึ่งหนึ่งเป็น frequent
สำหรับ threshold ต่ำกว่า items และ itemsets หลายตัวจะเป็น frequent Support-based pruning ของ Apriori มีประสิทธิภาพต่อเมื่อ support ของ most itemsets ต่ำ ดังนั้น frequent itemsets จะเพิ่มขึ้นแบบ exponential
ความกว้างของแต่ละ transaction เพิ่มขึ้นเมื่อ augment negative items สมมติมี d items ในข้อมูลต้นฉบับ สำหรับ sparse data เช่น market basket transactions transaction width มักเล็กกว่า d มาก เมื่อมี negative items transaction width เพิ่มเป็น d เพราะ item อยู่ใน transaction หรือไม่อยู่ แต่ไม่ใช่ทั้งคู่
เนื่องจาก max transaction width เพิ่มจาก wmax เป็น d จะเพิ่มจำนวน frequent itemsets รวดเร็ว Current algorithms บางตัวอาจล้มเหลวเมื่อใช้กับ lengthy data set
Brute-force approach ก่อนหน้านี้ computationally expensive เพราะบังคับให้หา support ของ positive และ negative patterns จำนวนมาก แทนที่จะ augment data set ด้วย negative items อีกแนวทางคือกำหนด support ของ negative itemsets จาก support ของ positive items ที่สอดคล้องกัน
