Fugu-MT 論文翻訳(概要): Discovering Useful Compact Sets of Sequential Rules in a Long Sequence

論文の概要: Discovering Useful Compact Sets of Sequential Rules in a Long Sequence

arxiv url: http://arxiv.org/abs/2109.07519v1
Date: Wed, 15 Sep 2021 18:25:18 GMT
ステータス: 処理完了
システム内更新日: 2021-09-18 08:52:08.296206
Title: Discovering Useful Compact Sets of Sequential Rules in a Long Sequence
Title（参考訳）: 長い列における逐次規則の有用なコンパクト集合の発見
Authors: Erwan Bourrand and Luis Gal\'arraga and Esther Galbrun and Elisa Fromont and Alexandre Termier
Abstract要約: COSSUは、小さな、意味のある一連の規則をマイニングするアルゴリズムである。 COSSUは、長いシーケンスから、関連するクローズド・シーケンシャル・ルールの集合を検索できることを示す。
参考スコア（独自算出の注目度）: 57.684967309375274
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We are interested in understanding the underlying generation process for long sequences of symbolic events. To do so, we propose COSSU, an algorithm to mine small and meaningful sets of sequential rules. The rules are selected using an MDL-inspired criterion that favors compactness and relies on a novel rule-based encoding scheme for sequences. Our evaluation shows that COSSU can successfully retrieve relevant sets of closed sequential rules from a long sequence. Such rules constitute an interpretable model that exhibits competitive accuracy for the tasks of next-element prediction and classification.
Abstract（参考訳）: シンボリックイベントの長いシーケンスの基盤となる生成プロセスを理解することに興味があります。そこで本研究では,小規模かつ有意義なルールをマイニングするアルゴリズムであるCOSSUを提案する。ルールは、コンパクトさを優先し、シーケンスのための新しいルールベースのエンコーディング方式に依存するmdlにインスパイアされた基準を用いて選択される。評価の結果,COSSUは長いシーケンスから関連した順序規則の集合を検索できることがわかった。このようなルールは、次の要素予測と分類のタスクの競争精度を示す解釈可能なモデルを構成する。

関連論文リスト

Neuro-Symbolic Rule Lists [31.085257698392354]
NeuRulesは、識別、ルール学習、ルール順序を単一のフレームワークに統合するエンドツーエンドのトレーニング可能なモデルである。我々は、NeuRulesがニューラルシンボリックな手法を一貫して上回り、幅広いデータセットにわたって、シンプルで複雑なルールとそれらの順序を効果的に学習していることを示す。
論文参考訳（メタデータ） (2024-11-10T11:10:36Z)
Symbolic Working Memory Enhances Language Models for Complex Rule Application [87.34281749422756]
大規模言語モデル(LLM)は、顕著な推論性能を示しているが、多段階の推論に苦慮している。本稿では,外部ワーキングメモリを用いたLLMの拡張と,ルール適用のためのニューロシンボリックフレームワークを提案する。当社のフレームワークは,LLMベースのルール実装とシンボリックルールグラウンディングを反復的に実施する。
論文参考訳（メタデータ） (2024-08-24T19:11:54Z)
ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
論文参考訳（メタデータ） (2023-09-04T11:38:02Z)
Reinforcement Logic Rule Learning for Temporal Point Processes [17.535382791003176]
本稿では,時間的事象の発生を説明するための説明的時間論理則を漸進的に拡張するフレームワークを提案する。提案アルゴリズムは、現在のルールセットの重みが更新されるマスター問題と、新しいルールを探索し、その可能性を高めるために含めるサブプロブレムとを交互に行う。人工的および実際の医療データセットにおいて,提案手法の評価を行い,有望な結果を得た。
論文参考訳（メタデータ） (2023-08-11T12:05:32Z)
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)
Towards Target Sequential Rules [52.4562332499155]
ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
論文参考訳（メタデータ） (2022-06-09T18:59:54Z)
Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文参考訳（メタデータ） (2022-01-25T00:10:03Z)
US-Rule: Discovering Utility-driven Sequential Rules [52.68017415747925]
我々は,高ユーティリティシーケンシャルルールを効率的にマイニングする,US-Ruleと呼ばれる高速アルゴリズムを提案する。より厳密な上界(LEEU, REEU, LERSU, RERSU)とそれに対応する刈り取り戦略を提案する。 US-Ruleは実行時間、メモリ消費、スケーラビリティの点でパフォーマンスが向上する。
論文参考訳（メタデータ） (2021-11-29T23:38:28Z)
Interpretable and Fair Boolean Rule Sets via Column Generation [18.08486863429421]
整数プログラムは、規則単純性のために最適に分類精度を交換するように定式化される。公平性の設定を考慮し、分類パリティの2つの異なる尺度に関する明示的な制約を含むように定式化を拡張した。他の公正かつ解釈可能な分類器と比較して、我々の手法は、公正性のより厳密な概念に適合する規則セットを精度の低いトレードオフで見つけることができる。
論文参考訳（メタデータ） (2021-11-16T13:40:28Z)
Better Short than Greedy: Interpretable Models through Optimal Rule Boosting [10.938624307941197]
ルールアンサンブルは、予測精度とモデル解釈可能性の間の有用なトレードオフを提供するように設計されている。与えられたアンサンブルサイズに対して最大予測力の規則アンサンブルを適合させる新しい手法を提案する。
論文参考訳（メタデータ） (2021-01-21T01:03:48Z)

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。