論文の概要: Decision Tree Learning with Spatial Modal Logics
- arxiv url: http://arxiv.org/abs/2109.08325v1
- Date: Fri, 17 Sep 2021 02:35:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 01:14:44.461673
- Title: Decision Tree Learning with Spatial Modal Logics
- Title（参考訳）: 空間モーダル論理を用いた決定木学習
- Authors: Giovanni Pagliarini (Dept. of Mathematics and Computer Science,
University of Ferrara, Italy, Dept. of Mathematical, Physical and Computer
Sciences, University of Parma, Italy), Guido Sciavicco (Dept. of Mathematics
and Computer Science, University of Ferrara, Italy)
- Abstract要約: 特に時間に依存したデータに対して、より仮説的なシンボリック学習法が出現し始めている。
本稿では,空間決定木学習の理論を提案し,空間決定木学習アルゴリズムのプロトタイプ実装について述べる。
空間決定木の予測能力と古典命題決定木の予測能力を複数バージョンで比較し,多クラス画像分類問題を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic learning represents the most straightforward approach to
interpretable modeling, but its applications have been hampered by a single
structural design choice: the adoption of propositional logic as the underlying
language. Recently, more-than-propositional symbolic learning methods have
started to appear, in particular for time-dependent data. These methods exploit
the expressive power of modal temporal logics in powerful learning algorithms,
such as temporal decision trees, whose classification capabilities are
comparable with the best non-symbolic ones, while producing models with
explicit knowledge representation.
With the intent of following the same approach in the case of spatial data,
in this paper we: i) present a theory of spatial decision tree learning; ii)
describe a prototypical implementation of a spatial decision tree learning
algorithm based, and strictly extending, the classical C4.5 algorithm; and iii)
perform a series of experiments in which we compare the predicting power of
spatial decision trees with that of classical propositional decision trees in
several versions, for a multi-class image classification problem, on publicly
available datasets. Our results are encouraging, showing clear improvements in
the performances from the propositional to the spatial models, which in turn
show higher levels of interpretability.
- Abstract（参考訳）: 記号学習は、解釈可能なモデリングに対する最も単純なアプローチであるが、その応用は単一の構造設計の選択によって妨げられている。
近年,特に時間依存データに対して,より仮説的な記号学習法が登場し始めている。
これらの手法は、時間的決定木のような強力な学習アルゴリズムにおけるモーダル時間論理の表現力を利用しており、その分類能力は、明示的な知識表現を持つモデルを生成する。
空間データの場合,同じアプローチを意図して,本稿では次のように述べる。
一 空間決定木学習の理論を提示すること。
二 古典的C4.5アルゴリズムに基づいて、厳密に拡張した空間決定木学習アルゴリズムの原型的実装を記述すること。
iii) 利用可能なデータセット上で,複数の種類の画像分類問題に対して,空間決定木の予測力と古典命題決定木の予測力を比較する一連の実験を行う。
私たちの結果は、提案モデルから空間モデルへのパフォーマンスの明確な改善を示し、さらに高いレベルの解釈可能性を示している。
関連論文リスト
- Inherently Interpretable Tree Ensemble Learning [7.868733904112288]
浅い決定木をベース学習として使用すると、アンサンブル学習アルゴリズムが本質的に解釈可能であることを示す。
木アンサンブルを固有の解釈可能性を持つ機能的ANOVA表現に変換する解釈アルゴリズムを開発した。
シミュレーションと実世界のデータセットを用いた実験により,提案手法はモデル解釈と予測性能のトレードオフを良くすることを示した。
論文 参考訳（メタデータ） (2024-10-24T18:58:41Z) - Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
大規模言語モデル(LLM)と決定木推論(OCTree)に基づく新しいフレームワークを提案する。
私たちのキーとなるアイデアは、LLMの推論機能を活用して、手動で検索スペースを指定せずに優れた特徴生成ルールを見つけることです。
実験の結果、この単純なフレームワークは様々な予測モデルの性能を一貫して向上させることが示された。
論文 参考訳（メタデータ） (2024-06-12T08:31:34Z) - Learning accurate and interpretable decision trees [27.203303726977616]
我々は、同じドメインから繰り返しデータにアクセスして決定木学習アルゴリズムを設計するためのアプローチを開発する。
本研究では,ベイズ決定木学習における事前パラメータのチューニングの複雑さについて検討し,その結果を決定木回帰に拡張する。
また、学習した決定木の解釈可能性について検討し、決定木を用いた説明可能性と精度のトレードオフを最適化するためのデータ駆動型アプローチを提案する。
論文 参考訳（メタデータ） (2024-05-24T20:10:10Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳（メタデータ） (2023-07-16T15:59:13Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳（メタデータ） (2022-05-05T13:40:08Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳（メタデータ） (2022-03-29T21:00:39Z) - SONG: Self-Organizing Neural Graphs [10.253870280561609]
決定木は二分決定に基づいており、決定を素早くし、クラス階層を提供するため、容易に解釈できる。
決定木がよく知られた欠点の1つは、決定木が決定ノードを再利用できないことである。
本稿では、マルコフ過程に基づく一般的なパラダイムを提供する。これは、自己組織化ニューラルネットワーク(SONG)と呼ばれる特殊なタイプの決定グラフの効率的なトレーニングを可能にする。
論文 参考訳（メタデータ） (2021-07-28T07:53:53Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳（メタデータ） (2020-07-24T17:06:55Z)
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。