Fugu-MT 論文翻訳(概要): Attribute reduction and rule acquisition of formal decision context based on two new kinds of decision rules

論文の概要: Attribute reduction and rule acquisition of formal decision context based on two new kinds of decision rules

arxiv url: http://arxiv.org/abs/2107.03288v1
Date: Sun, 4 Jul 2021 02:55:24 GMT
ステータス: 処理完了
システム内更新日: 2021-07-08 13:57:46.040965
Title: Attribute reduction and rule acquisition of formal decision context based on two new kinds of decision rules
Title（参考訳）: 2種類の新たな決定規則に基づく形式的決定文脈の属性低減と規則獲得
Authors: Qian Hu, Keyun Qin
Abstract要約: I-決定規則とII-決定規則の前提はオブジェクト指向の概念である。 I-決定規則とII-決定規則を保存するための属性還元手法を示す。
参考スコア（独自算出の注目度）: 1.0914300987810128
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper mainly studies the rule acquisition and attribute reduction for formal decision context based on two new kinds of decision rules, namely I-decision rules and II-decision rules. The premises of these rules are object-oriented concepts, and the conclusions are formal concept and property-oriented concept respectively. The rule acquisition algorithms for I-decision rules and II-decision rules are presented. Some comparative analysis of these algorithms with the existing algorithms are examined which shows that the algorithms presented in this study behave well. The attribute reduction approaches to preserve I-decision rules and II-decision rules are presented by using discernibility matrix.
Abstract（参考訳）: 本稿では,2つの新たな決定規則,すなわちI-決定規則とII-決定規則に基づいて,形式的決定コンテキストに対するルール獲得と属性還元について検討する。これらのルールの前提はオブジェクト指向の概念であり、結論はそれぞれ形式的概念とプロパティ指向の概念である。 I-decisionルールとII-decisionルールのルール取得アルゴリズムを示す。これらのアルゴリズムと既存アルゴリズムとの比較分析を行い、本研究で提示したアルゴリズムが良好に振る舞うことを示す。識別性行列を用いて、i-決定規則とii-決定規則を保存する属性還元手法を示す。

関連論文リスト

A Comparison of Decision Algorithms on Newcomblike Problems [0.0]
2つの標準的な決定アルゴリズムは、囚人のジレンマといわゆる「ニューコムライク」問題に直面すると、体系的に失敗することが示される。我々は、これらの問題に対して常に勝利する、タイムレス決定理論と呼ばれる新しい決定アルゴリズムについて述べる。
論文参考訳（メタデータ） (2023-05-31T20:50:08Z)
The Statistical Complexity of Interactive Decision Making [126.04974881555094]
複雑度尺度であるDecision-Estimation Coefficientは,サンプル効率のインタラクティブ学習に必要かつ十分であることが証明された。統合アルゴリズム設計原則であるE2Dは、教師付き推定のための任意のアルゴリズムを、意思決定のためのオンラインアルゴリズムに変換する。
論文参考訳（メタデータ） (2021-12-27T02:53:44Z)
Modularity in Reinforcement Learning via Algorithmic Independence in Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文参考訳（メタデータ） (2021-06-28T21:29:13Z)
SCARI: Separate and Conquer Algorithm for Action Rules and Recommendations Induction [0.0]
本稿では,逐次被覆手法に基づく行動規則誘導アルゴリズムについて述べる。このアルゴリズムは、ソースとターゲット決定クラスの観点からアクションルールを誘導することを可能にする。ルール品質対策の適用により、様々な品質基準を満たすアクションルールの誘導が可能になる。
論文参考訳（メタデータ） (2021-06-09T19:27:30Z)
Learning Accurate and Interpretable Decision Rule Sets from Neural Networks [5.280792199222362]
本論文では,分類の解釈可能なモデルとして独立論理則の集合を解読正規形式で学習する新しいパラダイムを提案する。我々は、ニューラルネットワークを特定の、しかし非常に単純な2層アーキテクチャでトレーニングすることとして、解釈可能な決定ルールセットを学ぶ問題を考える。
論文参考訳（メタデータ） (2021-03-04T04:10:19Z)
Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
論文参考訳（メタデータ） (2021-02-23T08:07:22Z)
A Scalable Two Stage Approach to Computing Optimal Decision Sets [29.946141040012545]
決定木、決定リスト、決定セットといったルールベースのモデルは、伝統的に最も解釈可能なものとみなされる。最近の研究は、最小サイズの決定セットを生成するために、命題満足度(SAT)の解を用いている。本稿では,目的とする決定セットの個々のルールを互いに独立して列挙し,ルールのサブセットを選択することで,最小限の決定セットを学習するための新しい手法を提案する。
論文参考訳（メタデータ） (2021-02-03T06:51:49Z)
Identification of Unexpected Decisions in Partially Observable Monte-Carlo Planning: a Rule-Based Approach [78.05638156687343]
本稿では,POMCPポリシーをトレースを検査して分析する手法を提案する。提案手法は, 政策行動の局所的特性を探索し, 予期せぬ決定を識別する。我々は,POMDPの標準ベンチマークであるTigerに対するアプローチと,移動ロボットナビゲーションに関する現実の問題を評価した。
論文参考訳（メタデータ） (2020-12-23T15:09:28Z)
Decision-Making Algorithms for Learning and Adaptation with Application to COVID-19 Data [46.71828464689144]
本研究は適応と学習のための新しい意思決定アルゴリズムの開発に焦点を当てている。重要な観察は、推定と決定の問題は構造的に異なるため、前者で成功したアルゴリズムは決定の問題を調整してもうまく機能しないということである。
論文参考訳（メタデータ） (2020-12-14T18:24:45Z)
Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
論文参考訳（メタデータ） (2020-06-13T16:10:03Z)

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。