論文の概要: Discovering Categorical Main and Interaction Effects Based on Association Rule Mining

• arxiv url: http://arxiv.org/abs/2104.04728v1
• Date: Sat, 10 Apr 2021 10:13:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 13:51:18.744217
• Title: Discovering Categorical Main and Interaction Effects Based on Association Rule Mining
• Title（参考訳）: 関係ルールマイニングに基づくカテゴリー主体と相互作用効果の発見
• Authors: Qiuqiang Lin, Chuanhou Gao
• Abstract要約: 我々はアソシエーションルールを用いて特徴とその相互作用を選択し、そのアルゴリズムをいくつかの実用的な問題のために修正する。 提案アルゴリズムの計算複雑性を解析し,その効率性を示す。
• 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: With the growing size of data sets, feature selection becomes increasingly important. Taking interactions of original features into consideration will lead to extremely high dimension, especially when the features are categorical and one-hot encoding is applied. This makes it more worthwhile mining useful features as well as their interactions. Association rule mining aims to extract interesting correlations between items, but it is difficult to use rules as a qualified classifier themselves. Drawing inspiration from association rule mining, we come up with a method that uses association rules to select features and their interactions, then modify the algorithm for several practical concerns. We analyze the computational complexity of the proposed algorithm to show its efficiency. And the results of a series of experiments verify the effectiveness of the algorithm.
• Abstract（参考訳）: データセットのサイズが大きくなるにつれて、機能の選択がますます重要になる。 オリジナルの特徴の相互作用を考慮に入れると、特に特徴がカテゴリー化され、1つのホットエンコーディングが適用される場合に、非常に高い次元がもたらされる。 これにより、有用な機能やインタラクションをマイニングする価値が高まる。 アソシエーションルールマイニングはアイテム間の興味深い相関関係を抽出することを目的としているが、ルールを資格分類器自身として使用するのは困難である。 関連ルールマイニングから着想を得て,関連ルールを用いて特徴と相互作用を選択し,そのアルゴリズムを実用的問題に修正する手法を考案した。 提案アルゴリズムの計算複雑性を分析し,その効率性を示す。 そして、一連の実験の結果からアルゴリズムの有効性が検証された。

関連論文リスト

• Efficient Differentiable Discovery of Causal Order [14.980926991441342]
  Intersortは、変数の因果順序を発見するためのスコアベースの方法である。 我々は、差別化可能なソートとランキング技術を用いてインターソートを再構築する。 我々の研究は、因果順の正規化を微分可能なモデルの訓練に効率的に組み込むための扉を開く。
  論文  参考訳（メタデータ） (2024-10-11T13:11:55Z)
• 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)
• Association Rules Mining with Auto-Encoders [5.175050215292647]
  ARM-AEと呼ばれるマイニングアソシエーションルールに対するオートエンコーダソリューションを提案する。 提案アルゴリズムは,高いサポートと信頼性のルールセットを発見し,従来の手法よりも優れた実行時間を有する。
  論文  参考訳（メタデータ） (2023-04-26T17:55:44Z)
• Scalable Batch Acquisition for Deep Bayesian Active Learning [70.68403899432198]
  ディープラーニングでは、各ステップでマークアップする複数の例を選択することが重要です。 BatchBALDのような既存のソリューションでは、多くの例を選択する際に大きな制限がある。 本稿では,より計算効率のよいLarge BatchBALDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-13T11:45:17Z)
• Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
  本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。 本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。 合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-21T18:58:24Z)
• Cambrian Explosion Algorithm for Multi-Objective Association Rules Mining [5.175050215292647]
  アソシエーション・ルール・マイニング(Association Rule mining)は、データマイニングの分野で最も研究されている分野の一つである。 関連ルールマイニング問題における最先端のメタヒューリスティックスの性能の比較を行った。 本研究では,大規模データセットからルールを効率的に抽出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-23T08:34:05Z)
• Towards Correlated Sequential Rules [4.743965372344134]
  高実用性シーケンシャルルールマイニング(HUSRM)は、結果のシーケンシャルパターンの発生を予測できる信頼度や確率を調査するために設計された。 HUSRMと呼ばれる既存のアルゴリズムは、生成されたシーケンシャルルール間の相関を無視しながら、すべての許容ルールを抽出することに制限されている。 本稿では,HUSRMに相関の概念を統合するために,CoUSR(Cocorlation High-utility Sequence Rule Minr)と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-27T17:27:23Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• A Hybrid Approach to Enhance Pure Collaborative Filtering based on Content Feature Relationship [0.17188280334580192]
  本稿では,自然言語処理領域であるWord2Vecから,コンテンツ特徴間の暗黙的な関係を抽出する手法を提案する。 次に、関連性を利用してアイテムのベクトル表現を決定する新しいコンテンツベースレコメンデーションシステムを提案する。 評価結果から,ユーザが選択した項目の選好を,純粋に協調的なフィルタリングと同等に予測できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-17T02:20:45Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。