論文の概要: A Novel Machine Learning Approach to Data Inconsistency with respect to a Fuzzy Relation

• arxiv url: http://arxiv.org/abs/2111.13447v1
• Date: Fri, 26 Nov 2021 12:03:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 15:25:39.738146
• Title: A Novel Machine Learning Approach to Data Inconsistency with respect to a Fuzzy Relation
• Title（参考訳）: ファジィ関係に関するデータ不整合に対する新しい機械学習アプローチ
• Authors: Marko Palangeti\'c, Chris Cornelis, Salvatore Greco, Roman S{\l}owi\'nski
• Abstract要約: 予測問題における矛盾は、ある方法で関係するインスタンスが決定属性について同じ関係に従わない場合に発生する。 本稿では,ファジィ事前順序関係に対する不整合処理のための新しい機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 3.4224506872501896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inconsistency in prediction problems occurs when instances that relate in a certain way on condition attributes, do not follow the same relation on the decision attribute. For example, in ordinal classification with monotonicity constraints, it occurs when an instance dominating another instance on condition attributes has been assigned to a worse decision class. It typically appears as a result of perturbation in data caused by incomplete knowledge (missing attributes) or by random effects that occur during data generation (instability in the assessment of decision attribute values). Inconsistencies with respect to a crisp preorder relation (expressing either dominance or indiscernibility between instances) can be handled using symbolic approaches like rough set theory and by using statistical/machine learning approaches that involve optimization methods. Fuzzy rough sets can also be seen as a symbolic approach to inconsistency handling with respect to a fuzzy relation. In this article, we introduce a new machine learning method for inconsistency handling with respect to a fuzzy preorder relation. The novel approach is motivated by the existing machine learning approach used for crisp relations. We provide statistical foundations for it and develop optimization procedures that can be used to eliminate inconsistencies. The article also proves important properties and contains didactic examples of those procedures.
• Abstract（参考訳）: 予測問題における矛盾は、ある条件属性の特定の方法で関係するインスタンスが、決定属性の同じ関係に従わない場合に発生する。 例えば、単調性制約のある順序分類では、条件属性上の別のインスタンスを支配するインスタンスが悪い決定クラスに割り当てられたときに発生する。 典型的には、不完全な知識(属性の欠如)やデータ生成中に生じるランダムな効果(決定属性値の評価の不安定性)によって引き起こされるデータの摂動の結果として現れる。 クリップ事前順序関係(インスタンス間の優位性や不明瞭性を表す)に関する矛盾は、粗集合論のような記号的アプローチや、最適化手法を含む統計的・機械的な学習手法を用いて処理することができる。 ファジィ粗集合はファジィ関係に関して不整合を扱うための象徴的なアプローチと見なすこともできる。 本稿では,ファジィ事前順序関係に対する不整合処理のための新しい機械学習手法を提案する。 この新しいアプローチは、既存の機械学習アプローチによって動機付けられている。 統計的基盤を提供し、矛盾を排除するために使用できる最適化手順を開発する。 この論文は重要な性質を証明しており、それらの手順の実践例を含んでいる。

関連論文リスト

• It's All in the Mix: Wasserstein Machine Learning with Mixed Features [5.739657897440173]
  混合機能問題の解法として,実用的なアルゴリズムを提案する。 提案手法は, 個々の特徴が存在する場合の既存手法を著しく上回りうることを示す。
  論文  参考訳（メタデータ） (2023-12-19T15:15:52Z)
• Instance-Specific Asymmetric Sensitivity in Differential Privacy [2.855485723554975]
  我々は指数的メカニズムを通して出力を選択するためのパラダイムを提供する以前の作業の上に構築する。 我々のフレームワークは、近接度メートル法をわずかに修正し、スパースベクトル技法の単純かつ効率的な応用を提供する。
  論文  参考訳（メタデータ） (2023-11-02T05:01:45Z)
• Context-aware feature attribution through argumentation [0.0]
  我々はCA-FATA (Context-Aware Feature Attribution Through Argumentation) と呼ばれる新しい特徴属性フレームワークを定義する。 我々のフレームワークは、各特徴を、予測を支援したり、攻撃したり、中和したりできる議論として扱うことによって、議論の力を利用する。
  論文  参考訳（メタデータ） (2023-10-24T20:02:02Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• A feature selection method based on Shapley values robust to concept shift in regression [0.0]
  本稿では,Shapley値と予測誤差の直接的な関係について述べる。 提案アルゴリズムは, 概念シフトのシナリオにおいて, 最先端の特徴選択手法よりも優れていることを示す。 また,シフトのない場合のアルゴリズムの頑健さを評価するために,標準状況の3つの解析を行った。
  論文  参考訳（メタデータ） (2023-04-28T11:34:59Z)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Instance-Dependent Label-Noise Learning with Manifold-Regularized Transition Matrix Estimation [172.81824511381984]
  遷移行列 T(x) は、インスタンス依存ノイズ(IDN)の下では特定できない 我々は、T(x) の幾何学について、「より近い2つのインスタンスは、それに対応する遷移行列がより類似している」という仮定を提案する。 本手法は,難解なIDNの下でのラベルノイズ学習において,最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-06-06T04:12:01Z)
• Matrix Completion via Non-Convex Relaxation and Adaptive Correlation Learning [90.8576971748142]
  閉形式解によって最適化できる新しいサロゲートを開発する。 そこで我々は, 上向きの相関関係を利用して, 適応的相関学習モデルを構築した。
  論文  参考訳（メタデータ） (2022-03-04T08:50:50Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Towards Robust Classification Model by Counterfactual and Invariant Data Generation [7.488317734152585]
  純粋さは、一部の特徴がラベルと相関するが因果関係がないときに起こる。 本稿では2つのデータ生成プロセスを提案する。 我々のデータ生成は、スプリアス相関が壊れたときの精度で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-06-02T12:48:29Z)

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。