論文の概要: Detecting Important Patterns Using Conceptual Relevance Interestingness Measure

• arxiv url: http://arxiv.org/abs/2110.11262v1
• Date: Thu, 21 Oct 2021 16:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 17:29:18.158933
• Title: Detecting Important Patterns Using Conceptual Relevance Interestingness Measure
• Title（参考訳）: 概念関連興味度尺度を用いた重要パターンの検出
• Authors: Mohamed-Hamza Ibrahim, Rokia Missaoui and Jean Vaillancourt
• Abstract要約: 本稿では,概念関連性(CR)スコア(Conceptual Relevance)について紹介する。 概念的な観点から、最小限のジェネレータは、関連する概念意図に関する重要な情報を提供する。 そのため、CRインデックスは概念的に関係のある属性の量と概念意図ごとに最小のジェネレータの数の両方を定量化する。
• 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: Discovering meaningful conceptual structures is a substantial task in data mining and knowledge discovery applications. While off-the-shelf interestingness indices defined in Formal Concept Analysis may provide an effective relevance evaluation in several situations, they frequently give inadequate results when faced with massive formal contexts (and concept lattices), and in the presence of irrelevant concepts. In this paper, we introduce the Conceptual Relevance (CR) score, a new scalable interestingness measurement for the identification of actionable concepts. From a conceptual perspective, the minimal generators provide key information about their associated concept intent. Furthermore, the relevant attributes of a concept are those that maintain the satisfaction of its closure condition. Thus, the guiding idea of CR exploits the fact that minimal generators and relevant attributes can be efficiently used to assess concept relevance. As such, the CR index quantifies both the amount of conceptually relevant attributes and the number of the minimal generators per concept intent. Our experiments on synthetic and real-world datasets show the efficiency of this measure over the well-known stability index.
• Abstract（参考訳）: 意味のある概念構造の発見は、データマイニングと知識発見のアプリケーションにおいて重要なタスクである。 形式的概念分析で定義されている既定の興味深い指標は、いくつかの状況において効果的な妥当性評価を提供するが、大規模な形式的文脈(および概念格子)と無関係な概念の存在において、しばしば不適切な結果を与える。 本稿では,概念関連性(CR)スコア(Conceptual Relevance:概念関連性(CR)スコア)について紹介する。 概念的な観点から、最小限のジェネレータは、関連する概念意図に関する重要な情報を提供する。 さらに、概念の関連する属性は、その閉包条件の満足度を維持するものである。 したがって、CRの指導的考え方は、最小限のジェネレータと関連する属性が概念の関連性を評価するために効率的に使用できるという事実を利用する。 ゆえに、crインデックスは概念的に関連する属性の量と概念の意図ごとの最小限のジェネレータの数の両方を定量化する。 合成および実世界のデータセットに関する我々の実験は、よく知られた安定性指標よりも、この測定の効率性を示している。

関連論文リスト

• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• The Foundations of Tokenization: Statistical and Computational Concerns [51.370165245628975]
  トークン化は、NLPパイプラインにおける重要なステップである。 NLPにおける標準表現法としての重要性は認識されているが、トークン化の理論的基盤はまだ完全には理解されていない。 本稿では,トークン化モデルの表現と解析のための統一的な形式的枠組みを提案することによって,この理論的ギャップに対処することに貢献している。
  論文  参考訳（メタデータ） (2024-07-16T11:12:28Z)
• Knowledge graphs for empirical concept retrieval [1.06378109904813]
  概念に基づく説明可能なAIは、あるユーザの前提における複雑なモデルの理解を改善するツールとして期待されている。 本稿では,テキスト領域と画像領域の両方でユーザ主導のデータ収集を行うワークフローを提案する。 我々は,概念アクティベーションベクトル(CAV)と概念アクティベーション領域(CAR)の2つの概念ベース説明可能性手法を用いて,検索した概念データセットをテストする。
  論文  参考訳（メタデータ） (2024-04-10T13:47:22Z)
• Enhancing Actionable Formal Concept Identification with Base-Equivalent Conceptual-Relevance [0.0]
  動作可能な概念の識別を改善するための新しい概念的関連性度尺度である,Base-Equivalent Conceptual Relevance (BECR) スコアを導入する。 BECRの基本的な考え方は、より基本的で等価な属性とコンセプトの意図する最小限のジェネレータが持つほど、より関連性が高いということである。 合成および実世界のデータセットに関する予備実験は、よく知られた安定性指標と比較してBECRの効率を示す。
  論文  参考訳（メタデータ） (2023-12-22T03:57:40Z)
• A Unified Concept-Based System for Local, Global, and Misclassification Explanations [13.321794212377949]
  地域概念とグローバル概念の両方を教師なしで学習するための統合された概念ベースシステムを提案する。 我々の主な目的は、代理説明ネットワークを訓練することで、各データカテゴリの根底にある本質的な概念を明らかにすることである。 我々のアプローチは、正確な予測と誤予測の両方を説明するのに役立ちます。
  論文  参考訳（メタデータ） (2023-06-06T09:28:37Z)
• Towards Robust Metrics for Concept Representation Evaluation [25.549961337814523]
  概念学習モデルは、その表現に不純物を符号化する傾向があることが示されている。 両手法における概念表現の純度を評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-01-25T00:40:19Z)
• ZeroC: A Neuro-Symbolic Model for Zero-shot Concept Recognition and Acquisition at Inference Time [49.067846763204564]
  人間は、ゼロショットで新しい視覚概念を認識し、獲得する驚くべき能力を持っている。 ゼロショット概念認識・獲得(ZeroC)は,ゼロショット方式で新規概念を認識・取得できる,ニューロシンボリックアーキテクチャである。
  論文  参考訳（メタデータ） (2022-06-30T06:24:45Z)
• Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
  一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。 本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-20T21:27:51Z)
• Entity Concept-enhanced Few-shot Relation Extraction [35.10974511223129]
  長尾分布問題において,FSRE (Few-shot relation extract) が重要である。 ほとんどの既存のFSREアルゴリズムは、認識されたエンティティペアと共に文の情報に基づいて関係を正確に分類することができない。 本稿では,エンティティ固有の概念を導入し,関係予測の手がかりを提供する,エンティティ強化型FEw-shot Relation extract scheme(ConceptFERE)を提案する。
  論文  参考訳（メタデータ） (2021-06-04T10:36:49Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• A general framework for defining and optimizing robustness [74.67016173858497]
  分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。 我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。 我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-19T13:24:20Z)

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。