論文の概要: Generation of Consistent Sets of Multi-Label Classification Rules with a
Multi-Objective Evolutionary Algorithm
- arxiv url: http://arxiv.org/abs/2003.12526v1
- Date: Fri, 27 Mar 2020 16:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:26:18.871573
- Title: Generation of Consistent Sets of Multi-Label Classification Rules with a
Multi-Objective Evolutionary Algorithm
- Title（参考訳）: 多目的進化アルゴリズムを用いた複数ラベル分類規則の一貫性集合の生成
- Authors: Thiago Zafalon Miranda, Diorge Brognara Sardinha, M\'arcio Porto
Basgalupp, Yaochu Jin, Ricardo Cerri
- Abstract要約: 本稿では,複数のルールに基づく多ラベル分類モデルを生成する多目的進化アルゴリズムを提案する。
我々のアルゴリズムは規則の集合(順序のない集合)に基づいてモデルを生成し、解釈可能性を高める。
また、ルール作成中にコンフリクト回避アルゴリズムを用いることで、与えられたモデル内のすべてのルールは、同じモデル内の他のすべてのルールと整合することが保証される。
- 参考スコア（独自算出の注目度）: 11.25469393912791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-label classification consists in classifying an instance into two or
more classes simultaneously. It is a very challenging task present in many
real-world applications, such as classification of biology, image, video,
audio, and text. Recently, the interest in interpretable classification models
has grown, partially as a consequence of regulations such as the General Data
Protection Regulation. In this context, we propose a multi-objective
evolutionary algorithm that generates multiple rule-based multi-label
classification models, allowing users to choose among models that offer
different compromises between predictive power and interpretability. An
important contribution of this work is that different from most algorithms,
which usually generate models based on lists (ordered collections) of rules,
our algorithm generates models based on sets (unordered collections) of rules,
increasing interpretability. Also, by employing a conflict avoidance algorithm
during the rule-creation, every rule within a given model is guaranteed to be
consistent with every other rule in the same model. Thus, no conflict
resolution strategy is required, evolving simpler models. We conducted
experiments on synthetic and real-world datasets and compared our results with
state-of-the-art algorithms in terms of predictive performance (F-Score) and
interpretability (model size), and demonstrate that our best models had
comparable F-Score and smaller model sizes.
- Abstract（参考訳）: マルチラベル分類は、インスタンスを2つ以上のクラスに同時に分類する。
生物学、画像、ビデオ、オーディオ、テキストの分類など、現実世界の多くのアプリケーションに存在している非常に困難なタスクである。
近年,一般データ保護規則などの規制の結果,解釈可能な分類モデルへの関心が高まっている。
そこで本研究では,複数の規則に基づくマルチラベル分類モデルを生成する多目的進化アルゴリズムを提案する。
この研究の重要な貢献は、ルールのリスト(順序付けされたコレクション)に基づいてモデルを生成するほとんどのアルゴリズムとは異なり、アルゴリズムはルールの集合(順序付けされていないコレクション)に基づいてモデルを生成し、解釈可能性を高めることである。
また、ルール作成中にコンフリクト回避アルゴリズムを用いることで、与えられたモデル内のすべてのルールは、同じモデル内の他のすべてのルールと整合することが保証される。
したがって、コンフリクト解決戦略は必要とせず、より単純なモデルを進化させる。
我々は合成データと実世界のデータセットについて実験を行い、予測性能(f-score)と解釈性(モデルサイズ)の観点から最先端のアルゴリズムと比較し、最良のモデルが同等のf-scoreとより小さいモデルサイズを持つことを示した。
関連論文リスト
- Ensemble Methods for Sequence Classification with Hidden Markov Models [8.241486511994202]
隠れマルコフモデル(HMM)のためのアンサンブル手法を用いたシーケンス分類への軽量なアプローチを提案する。
HMMは、その単純さ、解釈可能性、効率性のために、不均衡または小さいデータセットを持つシナリオにおいて、大きな利点を提供する。
アンサンブルに基づくスコアリング手法により,任意の長さのシーケンスの比較が可能となり,不均衡なデータセットの性能が向上する。
論文 参考訳（メタデータ） (2024-09-11T20:59:32Z) - Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。
現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
課題群規則化(Task Groupings Regularization)は、矛盾するタスクをグループ化し整合させることにより、モデルの不均一性から恩恵を受ける新しいアプローチである。
論文 参考訳（メタデータ） (2024-05-26T13:11:55Z) - Random Models for Fuzzy Clustering Similarity Measures [0.0]
Adjusted Rand Index (ARI) は、ハードクラスタリングを比較するために広く使われている手法である。
本稿では,ハードクラスタリングとファジィクラスタリングの両方に対して直感的で説明可能な3つのランダムモデルを用いて,ARIを計算するための単一のフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-16T00:07:04Z) - Statistical Comparisons of Classifiers by Generalized Stochastic
Dominance [0.0]
いくつかの基準に関して、分類器を複数のデータセットで比較する方法については、まだ合意が得られていない。
本稿では, 意思決定理論の最近の展開を取り入れた, 鮮明な議論に新たな視点を加える。
我々のフレームワークは、支配という一般化された概念によって分類器をランク付けし、それは煩雑なものを強力に回避し、しばしば自己矛盾的であり、集約に依存していることを示している。
論文 参考訳（メタデータ） (2022-09-05T09:28:15Z) - Structured Reordering for Modeling Latent Alignments in Sequence
Transduction [86.94309120789396]
本稿では,分離可能な置換の辺りを正確に推定する効率的な動的プログラミングアルゴリズムを提案する。
結果のSeq2seqモデルは、合成問題やNLPタスクの標準モデルよりも体系的な一般化が優れている。
論文 参考訳（メタデータ） (2021-06-06T21:53:54Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - SOAR: Simultaneous Or of And Rules for Classification of Positive &
Negative Classes [0.0]
本稿では,実世界の雑音の多い二項分類における固有曖昧性を明確に把握し,定量化する新奇かつ完全な分類法を提案する。
提案手法は,確率モデルのよりきめ細かい定式化につながり,シミュレート・アニーリングに基づく最適化により,同等の手法と競合する分類性能が得られることを示す。
論文 参考訳（メタデータ） (2020-08-25T20:00:27Z) - Rewriting a Deep Generative Model [56.91974064348137]
我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。
本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。
本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
論文 参考訳（メタデータ） (2020-07-30T17:58:16Z) - Diverse Rule Sets [20.170305081348328]
ルールベースのシステムは、直感的なif-then表現のためにルネッサンスを経験しています。
本稿では,ルール間の重なり合いを最適化することで,多様なルールセットを推定する新しい手法を提案する。
次に、高い差別性を持ち、重複が少ない規則をサンプリングする効率的なランダム化アルゴリズムを考案する。
論文 参考訳（メタデータ） (2020-06-17T14:15:25Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳（メタデータ） (2020-05-08T21:03:48Z)
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。