論文の概要: QDEF and Its Approximations in OBDM

• arxiv url: http://arxiv.org/abs/2108.10021v1
• Date: Mon, 23 Aug 2021 09:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 20:15:31.829175
• Title: QDEF and Its Approximations in OBDM
• Title（参考訳）: OBDMにおけるQDEFとその近似
• Authors: Gianluca Cima, Federico Croce, Maurizio Lenzerini
• Abstract要約: 完全キャラクタリゼーション(完全キャラクタリゼーション)と精度(音響キャラクタリゼーション)の両面での完全キャラクタリゼーションの近似を提案する。 2つ目のコントリビューションは、3つの計算問題、すなわち、検証、存在、近似された特徴の完全な複雑性解析を提供することである。
• 参考スコア（独自算出の注目度）: 11.698773302723644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given an input dataset (i.e., a set of tuples), query definability in Ontology-based Data Management (OBDM) amounts to find a query over the ontology whose certain answers coincide with the tuples in the given dataset. We refer to such a query as a characterization of the dataset with respect to the OBDM system. Our first contribution is to propose approximations of perfect characterizations in terms of recall (complete characterizations) and precision (sound characterizations). A second contribution is to present a thorough complexity analysis of three computational problems, namely verification (check whether a given query is a perfect, or an approximated characterization of a given dataset), existence (check whether a perfect, or a best approximated characterization of a given dataset exists), and computation (compute a perfect, or best approximated characterization of a given dataset).
• Abstract（参考訳）: 入力データセット(すなわちタプルの集合)が与えられた場合、オントロジーベースのデータ管理(OBDM)におけるクエリ定義性は、与えられたデータセットのタプルと特定の回答が一致するオントロジー上のクエリを見つける。 本稿では、OBDMシステムに関するデータセットのキャラクタリゼーションとして、そのようなクエリを参照する。 最初の貢献は、リコール(完全キャラクタリゼーション)と精度(音響キャラクタリゼーション)の観点から、完全キャラクタリゼーションの近似を提案することである。 第2のコントリビューションは、検証(与えられたクエリが完璧であるか、または与えられたデータセットの近似的なキャラクタリゼーションか)、存在(完全であるか、または与えられたデータセットの最適なキャラクタリゼーションが存在するか)、および計算(完全であるか、または与えられたデータセットの最適なキャラクタリゼーションを計算)という3つの計算問題の完全な複雑性解析を行うことである。

関連論文リスト

• Topological Quality of Subsets via Persistence Matching Diagrams [0.196629787330046]
  我々は、トポロジカルデータ解析技術を用いて、そのデータセットに関するサブセットの品質を測定する。 特に,本手法では,選択したサブセットが教師付き学習モデルの貧弱な性能をもたらす可能性がある理由を説明することができる。
  論文  参考訳（メタデータ） (2023-06-04T17:08:41Z)
• Fixed and adaptive landmark sets for finite pseudometric spaces [0.9137554315375919]
  ランク付けされた距離に基づく「ラストファースト」とは、一様濃度の集合からなる表紙を指す。 ベンチマークテストを行い、その性能を機能検出やクラス予測タスクの最大値と比較する。 最後に, 予測タスクにおいて比較性能を達成し, ホモロジー検出タスクにおいて最大性能を上回った。
  論文  参考訳（メタデータ） (2022-12-19T19:53:33Z)
• Certifiable Robustness for Nearest Neighbor Classifiers [6.487663563916903]
  単純で広くデプロイされた分類アルゴリズム、$k$-Nearest Neighbors(k$-NN)の認証の複雑さについて検討する。 制約が関数依存(FD)である場合には、一貫性のないデータセットに重点を置いています。 そこでは、あるラベルを予測する可能性のある世界の数を数えることが目的である。
  論文  参考訳（メタデータ） (2022-01-13T02:55:10Z)
• Label-Free Model Evaluation with Semi-Structured Dataset Representations [78.54590197704088]
  ラベルなしモデル評価(AutoEval)は、ラベルなしテストセットでモデル精度を推定する。 画像ラベルがない場合、データセット表現に基づいて、回帰を伴うAutoEvalのモデル性能を推定する。 本稿では,AutoEvalのリッチな情報を含む回帰学習のための半構造化データセット表現を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:15:58Z)
• A Model-Agnostic Algorithm for Bayes Error Determination in Binary Classification [0.0]
  ILDアルゴリズムは、AUC(ROC曲線の下での領域)と精度で測定された最高の性能を決定する新しい手法である。 この制限、すなわちベイズ誤差は、使用されるモデルとは完全に独立であり、データセットの本質的な性質を記述する。
  論文  参考訳（メタデータ） (2021-07-24T13:55:31Z)
• Assessing Data Efficiency in Task-Oriented Semantic Parsing [54.87705549021248]
  我々は、ある品質バーを達成するのに、ドメイン内の「ターゲット」データがどれだけ必要であるかを近似した4段階のプロトコルを導入する。 我々は,タスク指向セマンティック解析の実践者に対して,その柔軟性と適用性を示す実世界の2つのケーススタディに適用する。
  論文  参考訳（メタデータ） (2021-07-10T02:43:16Z)
• Abstractive Query Focused Summarization with Query-Free Resources [60.468323530248945]
  本稿では,汎用的な要約リソースのみを利用して抽象的なqfsシステムを構築する問題を考える。 本稿では,要約とクエリのための新しい統一表現からなるMasked ROUGE回帰フレームワークであるMargeを提案する。 最小限の監視から学習したにもかかわらず,遠隔管理環境において最先端の結果が得られた。
  論文  参考訳（メタデータ） (2020-12-29T14:39:35Z)
• Machine learning with incomplete datasets using multi-objective optimization models [1.933681537640272]
  分類モデルが学習されている間、欠落した値を扱うオンラインアプローチを提案する。 命令とモデル選択のための2つの目的関数を持つ多目的最適化モデルを開発する。 NSGA IIに基づく進化的アルゴリズムを用いて最適解を求める。
  論文  参考訳（メタデータ） (2020-12-04T03:44:33Z)
• Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
  本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。 我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
  論文  参考訳（メタデータ） (2020-10-10T14:03:20Z)
• Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
  下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。 本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
  論文  参考訳（メタデータ） (2020-09-15T22:06:58Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。