論文の概要: An in-depth comparison of methods handling mixed-attribute data for
general fuzzy min-max neural network
- arxiv url: http://arxiv.org/abs/2009.00237v1
- Date: Tue, 1 Sep 2020 05:12:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 00:34:39.516243
- Title: An in-depth comparison of methods handling mixed-attribute data for
general fuzzy min-max neural network
- Title（参考訳）: 一般ファジィmin-maxニューラルネットワークにおける混合属性データ処理手法の詳細な比較
- Authors: Thanh Tung Khuat and Bogdan Gabrys
- Abstract要約: 我々は、データセットを混合特徴で扱う3つの主要な方法を比較し、評価する。
実験の結果,ターゲットとJames-SteinはGFMMモデルのアルゴリズムを学習するための適切な分類的符号化法であることがわかった。
GFMMニューラルネットワークと決定木の組み合わせは、データセット上のGFMMモデルの分類性能と混合特徴を向上するフレキシブルな方法である。
- 参考スコア（独自算出の注目度）: 9.061408029414455
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A general fuzzy min-max (GFMM) neural network is one of the efficient
neuro-fuzzy systems for classification problems. However, a disadvantage of
most of the current learning algorithms for GFMM is that they can handle
effectively numerical valued features only. Therefore, this paper provides some
potential approaches to adapting GFMM learning algorithms for classification
problems with mixed-type or only categorical features as they are very common
in practical applications and often carry very useful information. We will
compare and assess three main methods of handling datasets with mixed features,
including the use of encoding methods, the combination of the GFMM model with
other classifiers, and employing the specific learning algorithms for both
types of features. The experimental results showed that the target and
James-Stein are appropriate categorical encoding methods for learning
algorithms of GFMM models, while the combination of GFMM neural networks and
decision trees is a flexible way to enhance the classification performance of
GFMM models on datasets with the mixed features. The learning algorithms with
the mixed-type feature abilities are potential approaches to deal with
mixed-attribute data in a natural way, but they need further improvement to
achieve a better classification accuracy. Based on the analysis, we also
identify the strong and weak points of different methods and propose potential
research directions.
- Abstract（参考訳）: 一般ファジィmin-max(GFMM)ニューラルネットワークは、分類問題に対する効率的な神経ファジィシステムの一つである。
しかし、GFMMの現在の学習アルゴリズムの多くの欠点は、効果的に数値化された特徴しか扱えないことである。
そこで本論文では, gfmm学習アルゴリズムを, 実用上非常に一般的であり, 有用な情報を持っているため, 混合型, カテゴリー的特徴のみを用いた分類問題に適用する可能性について述べる。
我々は、符号化手法の使用、GFMMモデルと他の分類器の組み合わせ、両方の特徴に対して特定の学習アルゴリズムの使用など、データセットを混合特徴で扱う3つの主要な手法を比較し、評価する。
実験の結果,ターゲットとJames-SteinはGFMMモデルのアルゴリズムを学習するための適切な分類的符号化法であり,GFMMニューラルネットワークと決定木の組み合わせは,データセット上のGFMMモデルの分類性能と混合特徴との相関性を高める柔軟な方法であることがわかった。
混合型特徴量を持つ学習アルゴリズムは,混合属性データを自然に扱うための潜在的なアプローチであるが,より正確な分類精度を達成するためにはさらなる改善が必要である。
分析により,異なる手法の強い点と弱い点を同定し,潜在的研究の方向性を提案する。
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) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - FaFCNN: A General Disease Classification Framework Based on Feature
Fusion Neural Networks [4.097623533226476]
本稿では,機能認識型統合相関ニューラルネットワーク (FaFCNN) を提案する。
実験結果から,事前学習による強化特徴を用いた訓練により,無作為森林法よりも高い性能向上が得られた。
論文 参考訳（メタデータ） (2023-07-24T04:23:08Z) - MISNN: Multiple Imputation via Semi-parametric Neural Networks [9.594714330925703]
バイオメディカル・ソーシャル・エコノメトリー研究において、多重計算(Multiple Imputation, MI)は、欠落した価値問題に広く応用されている。
提案するMISNNは,MIの特徴選択を取り入れた,新規で効率的なアルゴリズムである。
論文 参考訳（メタデータ） (2023-05-02T21:45:36Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - RandomSCM: interpretable ensembles of sparse classifiers tailored for
omics data [59.4141628321618]
決定規則の結合や解離に基づくアンサンブル学習アルゴリズムを提案する。
モデルの解釈可能性により、高次元データのバイオマーカー発見やパターン発見に有用である。
論文 参考訳（メタデータ） (2022-08-11T13:55:04Z) - Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
フェアネスと精度を両立させる特徴部分選択手法を提案する。
モデル性能の指標としてF1-Scoreを用いる。
最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
論文 参考訳（メタデータ） (2022-04-30T22:51:19Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - An Online Learning Algorithm for a Neuro-Fuzzy Classifier with
Mixed-Attribute Data [9.061408029414455]
General Fuzzy min-max Neural Network (GFMMNN) は、データ分類のための効率的な神経ファジィシステムの一つである。
本稿ではGFMMNNのための拡張オンライン学習アルゴリズムを提案する。
提案手法は連続的特徴と分類的特徴の両方でデータセットを処理できる。
論文 参考訳（メタデータ） (2020-09-30T13:45:36Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳（メタデータ） (2020-08-20T17:25:16Z)
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。