論文の概要: Choquet-Based Fuzzy Rough Sets

• arxiv url: http://arxiv.org/abs/2202.10872v1
• Date: Tue, 22 Feb 2022 13:10:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 15:00:48.980444
• Title: Choquet-Based Fuzzy Rough Sets
• Title（参考訳）: チョケに基づくファジィ粗集合
• Authors: Adnan Theerens, Oliver Urs Lenz, Chris Cornelis
• Abstract要約: ファジィ粗集合論(ファジィ粗集合論、英: Fuzzy rough set theory)は、オブジェクト間の不明瞭性という段階的な概念があるときに、一貫性のないデータを扱うための道具として用いられる。 この問題を緩和するために、順序付き重み付き平均(OWA)ベースのファジィ粗集合を導入した。 あいまいな定量化の観点から OWA ベースのアプローチを直観的に解釈し,それを Choquet ベースのファジィ粗集合に一般化する方法を示す。
• 参考スコア（独自算出の注目度）: 2.4063592468412276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fuzzy rough set theory can be used as a tool for dealing with inconsistent data when there is a gradual notion of indiscernibility between objects. It does this by providing lower and upper approximations of concepts. In classical fuzzy rough sets, the lower and upper approximations are determined using the minimum and maximum operators, respectively. This is undesirable for machine learning applications, since it makes these approximations sensitive to outlying samples. To mitigate this problem, ordered weighted average (OWA) based fuzzy rough sets were introduced. In this paper, we show how the OWA-based approach can be interpreted intuitively in terms of vague quantification, and then generalize it to Choquet-based fuzzy rough sets (CFRS). This generalization maintains desirable theoretical properties, such as duality and monotonicity. Furthermore, it provides more flexibility for machine learning applications. In particular, we show that it enables the seamless integration of outlier detection algorithms, to enhance the robustness of machine learning algorithms based on fuzzy rough sets.
• Abstract（参考訳）: ファジィラフ集合論は、オブジェクト間の識別不能という段階的な概念がある場合、一貫性のないデータを扱うためのツールとして使うことができる。 概念の下値と上値の近似を提供することでこれを行う。 古典的ファジィ粗集合では、下および上近似はそれぞれ最小演算子と最大演算子を用いて決定される。 これは機械学習のアプリケーションでは望ましくない。 この問題を緩和するために、順序付き重み付き平均(OWA)ベースのファジィ粗集合を導入した。 本稿では,owaに基づくアプローチを曖昧な量化の観点から直感的に解釈し,それをコケに基づくファジィ粗さ集合(cfrs)に一般化する。 この一般化は双対性や単調性のような望ましい理論的性質を維持している。 さらに、機械学習アプリケーションにさらなる柔軟性を提供する。 特に,外乱検出アルゴリズムをシームレスに統合することで,ファジィ粗集合に基づく機械学習アルゴリズムの堅牢性を高めることができることを示す。

関連論文リスト

• SeWA: Selective Weight Average via Probabilistic Masking [51.015724517293236]
  より良く、より高速な収束を達成するためには、ほんの数ポイントしか必要としないことを示す。 離散選択問題を連続的な部分集合最適化フレームワークに変換する。 両凸画像チェックポイントの値よりもシャープなSeWAの安定性境界を導出する。
  論文  参考訳（メタデータ） (2025-02-14T12:35:21Z)
• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
  機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。 提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-22T10:19:27Z)
• An Adaptive Cost-Sensitive Learning and Recursive Denoising Framework for Imbalanced SVM Classification [12.986535715303331]
  カテゴリー不均衡は、分類分野において最も人気があり重要な問題の一つである。 適応的なコスト感度と再帰に基づく頑健な学習アルゴリズムを提案する。 実験の結果,提案手法は従来の精度,G平均,リコール,F1スコアの手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-03-13T09:43:14Z)
• Learning a Gaussian Mixture for Sparsity Regularization in Inverse Problems [2.375943263571389]
  逆問題では、スパーシティ事前の組み込みは、解に対する正則化効果をもたらす。 本稿では,ガウスの混合として事前に定式化された確率的疎性について提案する。 我々は、このネットワークのパラメータを推定するために、教師なしのトレーニング戦略と教師なしのトレーニング戦略をそれぞれ導入した。
  論文  参考訳（メタデータ） (2024-01-29T22:52:57Z)
• On the Granular Representation of Fuzzy Quantifier-Based Fuzzy Rough Sets [0.7614628596146602]
  本稿ではファジィ量化器に基づくファジィ粗集合(FQFRS)に焦点を当てる。 チェケットベースファジィ粗集合は、OWAベースファジィ粗集合と同じ条件下で粒度的に表現できることを示す。 この観察は、データの矛盾を解消し、ノイズを管理するこれらのモデルの可能性を強調している。
  論文  参考訳（メタデータ） (2023-12-27T20:02:40Z)
• Fuzzy Rough Sets Based on Fuzzy Quantification [1.4213973379473654]
  ファジィ量化器に基づくファジィ粗集合(FQFRS)を導入する。 FQFRSはファジィラフ集合の直感的な一般化である。 既存のモデルがこの一般化にどのように適合するか、また新しいモデルにどのように影響するかを示す。
  論文  参考訳（メタデータ） (2022-12-06T19:59:57Z)
• Optimal Algorithms for Stochastic Complementary Composite Minimization [55.26935605535377]
  統計学と機械学習における正規化技術に触発され,補完的な複合化の最小化について検討した。 予測と高い確率で、新しい過剰なリスク境界を提供する。 我々のアルゴリズムはほぼ最適であり、このクラスの問題に対して、新しいより低い複雑性境界によって証明する。
  論文  参考訳（メタデータ） (2022-11-03T12:40:24Z)
• CFARnet: deep learning for target detection with constant false alarm rate [2.2940141855172036]
  CFAR制約検出器の枠組みを紹介する。 実際に、ニューラルネットワークを近似する深層学習フレームワークを開発した。 異なる設定での目標検出実験により、提案したCFARnetは、CFARと精度の間の柔軟なトレードオフを可能にすることが示された。
  論文  参考訳（メタデータ） (2022-08-04T05:54:36Z)
• VAE Approximation Error: ELBO and Conditional Independence [78.72292013299868]
  本稿では,ELBO目標とエンコーダ確率系列の選択の組み合わせによるVAE近似誤差を解析する。 より深いエンコーダネットワークを考慮すれば,ELBOサブセットを拡大することができず,各エラーを低減できないことを示す。
  論文  参考訳（メタデータ） (2021-02-18T12:54:42Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)

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。