論文の概要: Rough Set based Aggregate Rank Measure & its Application to Supervised
Multi Document Summarization
- arxiv url: http://arxiv.org/abs/2002.03259v1
- Date: Sun, 9 Feb 2020 01:03:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 14:54:18.156999
- Title: Rough Set based Aggregate Rank Measure & its Application to Supervised
Multi Document Summarization
- Title（参考訳）: ラフ集合に基づく集約ランク尺度とその教師付き複数文書要約への応用
- Authors: Nidhika Yadav, Niladri Chatterjee
- Abstract要約: 本論文は、ランク尺度と呼ばれる新しいラフセットベースのメンバーシップを提案する。
要素を特定のクラスにランク付けするために使用する。
その結果,精度は有意に向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most problems in Machine Learning cater to classification and the objects of
universe are classified to a relevant class. Ranking of classified objects of
universe per decision class is a challenging problem. We in this paper propose
a novel Rough Set based membership called Rank Measure to solve to this
problem. It shall be utilized for ranking the elements to a particular class.
It differs from Pawlak Rough Set based membership function which gives an
equivalent characterization of the Rough Set based approximations. It becomes
paramount to look beyond the traditional approach of computing memberships
while handling inconsistent, erroneous and missing data that is typically
present in real world problems. This led us to propose the aggregate Rank
Measure. The contribution of the paper is three fold. Firstly, it proposes a
Rough Set based measure to be utilized for numerical characterization of within
class ranking of objects. Secondly, it proposes and establish the properties of
Rank Measure and aggregate Rank Measure based membership. Thirdly, we apply the
concept of membership and aggregate ranking to the problem of supervised Multi
Document Summarization wherein first the important class of sentences are
determined using various supervised learning techniques and are post processed
using the proposed ranking measure. The results proved to have significant
improvement in accuracy.
- Abstract（参考訳）: 機械学習のほとんどの問題は分類に対応しており、宇宙のオブジェクトは関連するクラスに分類される。
決定クラスごとの宇宙の分類対象のランク付けは難しい問題である。
本稿では,この問題を解決するために,ランク尺度と呼ばれるRough Setベースの新しいメンバーシップを提案する。
特定のクラスへの要素のランク付けに利用しなければならない。
これは、ラフ集合に基づく近似の同値な特徴づけを与えるpawlak rough set based membership functionとは異なる。
現実の問題によく見られる、一貫性のない、誤った、そして欠落したデータを扱いながら、コンピューティングメンバーシップの伝統的なアプローチを超えることが最重要になる。
この結果、総合的なランク尺度が提案された。
その紙の貢献は3倍だ。
まず,オブジェクトのクラスランキング内の数値的特徴付けのために,ラフ集合に基づく尺度を提案する。
第2に、ランク尺度と集計基準に基づく会員制の特性を提案し、確立する。
第3に,様々な教師付き学習手法を用いて重要な文クラスを決定し,提案するランキング尺度を用いてポスト処理を行う,教師付き複数文書要約の問題に対して,メンバシップと集計ランキングの概念を適用する。
その結果,精度が大幅に向上した。
関連論文リスト
- AGRaME: Any-Granularity Ranking with Multi-Vector Embeddings [53.78802457488845]
我々は,多ベクトル埋め込みを利用して粒度の異なるレベルにランク付けする,任意の粒度ランキングの考え方を紹介した。
検索強化世代におけるポストホック励振付加への命題レベルのランク付けの適用を実証する。
論文 参考訳（メタデータ） (2024-05-23T20:04:54Z) - Replace Scoring with Arrangement: A Contextual Set-to-Arrangement
Framework for Learning-to-Rank [40.81502990315285]
ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。
既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。
本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
論文 参考訳（メタデータ） (2023-08-05T12:22:26Z) - Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。
xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。
提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
論文 参考訳（メタデータ） (2023-07-27T07:42:44Z) - Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。
利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
論文 参考訳（メタデータ） (2022-12-21T04:49:55Z) - Weight Set Decomposition for Weighted Rank Aggregation: An interpretable
and visual decision support tool [0.0]
本稿では、その構造上、重み付けされた階数集計問題に利用できる富について述べる。
重み集合分解を, 分解に有用な凸特性の集合に適用し, 差分領域を可視化する。
論文 参考訳（メタデータ） (2022-05-31T19:09:55Z) - Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。
この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。
このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。
我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
論文 参考訳（メタデータ） (2022-04-05T19:39:13Z) - An Efficient and Accurate Rough Set for Feature Selection,
Classification and Knowledge Representation [89.5951484413208]
本稿では, 特徴選択, 分類, 知識表現を同時に実現する, 粗集合に基づく強力なデータマイニング手法を提案する。
まず, ノイズ特性の処理において, 粗集合の非効率性について検討し, 相対的重要度と呼ばれる特性のロバストな測定法を提案する。
公開ベンチマークデータセットによる実験結果から,提案フレームワークは7つの人気や最先端の機能選択手法よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2021-12-29T12:45:49Z) - Universal Domain Adaptation in Ordinal Regression [11.703377306384695]
順序回帰(OR)における普遍領域適応(UDA)の問題に対処する。
本稿では, クラスタリングの仮定に基づいて, OR設定のアンダーパフォーマンスに基づいて, 分類のために開発されたUDA技術について述べる。
本稿では,OR分類器と注文学習の補助的タスクを補完する手法を提案する。これは,共通インスタンスとプライベートインスタンスの識別と,ランキングによるクラスラベルのプライベートターゲットイメージへの拡張という二重の役割を担っている。
論文 参考訳（メタデータ） (2021-06-22T07:23:39Z) - PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。
ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文 参考訳（メタデータ） (2020-12-12T05:07:36Z) - Rank over Class: The Untapped Potential of Ranking in Natural Language
Processing [8.637110868126546]
我々は、現在分類を用いて対処されている多くのタスクが、実際には分類モールドに切り替わっていると論じる。
本稿では,一対のテキストシーケンスの表現を生成するトランスフォーマーネットワークからなる新しいエンドツーエンドランキング手法を提案する。
重く歪んだ感情分析データセットの実験では、ランキング結果を分類ラベルに変換すると、最先端のテキスト分類よりも約22%改善する。
論文 参考訳（メタデータ） (2020-09-10T22:18:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。