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
- 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) - On Binding Objects to Symbols: Learning Physical Concepts to Understand
Real from Fake [155.6741526791004]
我々は、ディープニューラルネットワークが合成データを生成する驚くべき能力に照らして、古典的な信号と記号の障壁を再考する。
物理オブジェクトを抽象概念として特徴付け,それ以前の解析を用いて,物理オブジェクトが有限なアーキテクチャで符号化可能であることを示す。
我々は、有限時間でデジタルIDに物理的実体を結合することは、有限資源で可能であると結論付けた。
論文 参考訳(メタデータ) (2022-07-25T17:21:59Z) - 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) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳(メタデータ) (2021-06-14T20:48:48Z) - 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) - Feature Importance Estimation with Self-Attention Networks [0.0]
ブラックボックスニューラルネットワークモデルは、産業や科学で広く使われているが、理解と解釈が難しい。
近年,ニューラルネットワークモデルの内部動作に関する洞察を提供するアテンションメカニズムが導入されている。
本稿では、命題(タブラル)データから得られたモデルを説明する手段として、注目に基づくニューラルネットワーク機構を用いて特徴重要度を推定する。
論文 参考訳(メタデータ) (2020-02-11T15:15:58Z)
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。