論文の概要: Information cartography in association rule mining
- arxiv url: http://arxiv.org/abs/2003.00348v2
- Date: Fri, 16 Apr 2021 11:04:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 20:26:19.423526
- Title: Information cartography in association rule mining
- Title（参考訳）: 関連ルールマイニングにおける情報地図
- Authors: Iztok Fister Jr., Iztok Fister
- Abstract要約: 本研究では,アソシエーションルールマイニングによって得られた情報のメトロマップの自動作成手法を開発した。
得られたメトロマップを視覚化することは、これがデータに隠された構造化された知識を示すのに適したツールであるだけでなく、ユーザーにストーリーを伝えるのにも適していることを正当化する。
- 参考スコア（独自算出の注目度）: 2.535671322516818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Association Rule Mining is a machine learning method for discovering the
interesting relations between the attributes in a huge transaction database.
Typically, algorithms for Association Rule Mining generate a huge number of
association rules, from which it is hard to extract structured knowledge and
present this automatically in a form that would be suitable for the user.
Recently, an information cartography has been proposed for creating structured
summaries of information and visualizing with methodology called "metro maps".
This was applied to several problem domains, where pattern mining was
necessary. The aim of this study is to develop a method for automatic creation
of metro maps of information obtained by Association Rule Mining and, thus,
spread its applicability to the other machine learning methods. Although the
proposed method consists of multiple steps, its core presents metro map
construction that is defined in the study as an optimization problem, which is
solved using an evolutionary algorithm. Finally, this was applied to four
well-known UCI Machine Learning datasets and one sport dataset. Visualizing the
resulted metro maps not only justifies that this is a suitable tool for
presenting structured knowledge hidden in data, but also that they can tell
stories to users.
- Abstract（参考訳）: Association Rule Miningは、巨大なトランザクションデータベース内の属性間の興味深い関係を発見する機械学習手法である。
通常、アソシエーションルールマイニングのアルゴリズムは大量のアソシエーションルールを生成し、そこから構造化された知識を抽出し、ユーザーに適した形式で自動的に提示するのは難しい。
近年,構造化された情報要約を作成し,"metro maps"と呼ばれる手法を用いて可視化するための情報地図作成手法が提案されている。
これはパターンマイニングが必要ないくつかの問題領域に適用された。
本研究の目的は,アソシエーションルールマイニングによって得られた情報のメトロマップの自動作成手法を開発し,その適用性を他の機械学習手法に広めることである。
提案手法は複数のステップからなるが,その中核は,進化的アルゴリズムを用いて解く最適化問題として研究で定義されているメトロマップの構築である。
最後に、4つの有名なUCI機械学習データセットと1つのスポーツデータセットに適用された。
結果のメトロマップを視覚化することは、これがデータに隠された構造化された知識を示すのに適したツールであるだけでなく、ユーザーにストーリーを伝えることができることを正当化する。
関連論文リスト
- Structure Learning via Mutual Information [0.8702432681310399]
本稿では、相互情報(MI)機能を用いて、データ内の機能的関係を学習し、表現するためのフレームワークを提案する。
本手法は,より効率的で一般化可能な学習アルゴリズムを実現することを目的としている。
論文 参考訳（メタデータ） (2024-09-21T19:33:56Z) - Topological Methods in Machine Learning: A Tutorial for Practitioners [4.297070083645049]
トポロジカル機械学習(TML)は、代数的トポロジの技法を利用して複雑なデータ構造を分析する分野である。
このチュートリアルは、2つの重要なTMLテクニック、永続的ホモロジーとMapperアルゴリズムの包括的な紹介を提供する。
アクセシビリティを高めるために、私たちはデータ中心のアプローチを採用し、読者はこれらのテクニックを関連するタスクに適用したハンズオン体験を得ることができる。
論文 参考訳（メタデータ） (2024-09-04T17:44:52Z) - Masked Image Modeling: A Survey [73.21154550957898]
マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。
我々は近年,分類学を構築し,最も顕著な論文をレビューしている。
我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
論文 参考訳（メタデータ） (2024-08-13T07:27:02Z) - Boundary Detection Algorithm Inspired by Locally Linear Embedding [8.259071011958254]
本稿では,広く使用されている局所的線形埋め込みアルゴリズムにインスパイアされた境界点検出手法を提案する。
本手法は,2つの近傍探索スキーム($epsilon$-radius ball scheme)と$K$-nearest neighbor scheme($K$-nearest neighbor scheme)を用いて実装する。
論文 参考訳（メタデータ） (2024-06-26T16:05:57Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。
関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。
本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
論文 参考訳（メタデータ） (2023-10-13T07:40:12Z) - Principled and Efficient Motif Finding for Structure Learning of Lifted
Graphical Models [5.317624228510748]
構造学習は、ニューロシンボリックAIと統計リレーショナル学習の分野の中心となるAIの中核的な問題である。
昇降型グラフィカルモデルにおける構造モチーフのマイニングのための第一原理的アプローチを提案する。
我々は,最先端構造学習の手法を,精度で最大6%,実行時の最大80%で上回ることを示す。
論文 参考訳（メタデータ） (2023-02-09T12:21:55Z) - Integrating Semantics and Neighborhood Information with Graph-Driven
Generative Models for Document Retrieval [51.823187647843945]
本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。
この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
論文 参考訳（メタデータ） (2021-05-27T11:29:03Z) - Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。
相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文 参考訳（メタデータ） (2020-09-07T16:47:30Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z)
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。