論文の概要: Explicit and Implicit Pattern Relation Analysis for Discovering
Actionable Negative Sequences
- arxiv url: http://arxiv.org/abs/2204.03571v1
- Date: Mon, 4 Apr 2022 04:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 13:33:30.670837
- Title: Explicit and Implicit Pattern Relation Analysis for Discovering
Actionable Negative Sequences
- Title（参考訳）: 動作可能な負配列の探索のための明示的・暗黙的パターン関係解析
- Authors: Wei Wang and Longbing Cao
- Abstract要約: この研究は、行動可能な負のシーケンシャルパターン(NSP)を発見しようとする最初の試みである。
NSPグラフ表現を構築し、明示的な出現と暗黙的な非発生に基づく要素とパターンの関係を定量化し、重要で多様で情報的なNSPを発見する。
DPPに基づくNSP表現と実行可能なNSP発見法であるEINSPは、NSAとシークエンス解析に新しく重要な貢献をもたらす。
- 参考スコア（独自算出の注目度）: 48.609261368106196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-life events, behaviors and interactions produce sequential data. An
important but rarely explored problem is to analyze those nonoccurring (also
called negative) yet important sequences, forming negative sequence analysis
(NSA). A typical NSA area is to discover negative sequential patterns (NSPs)
consisting of important non-occurring and occurring elements and patterns. The
limited existing work on NSP mining relies on frequentist and downward closure
property-based pattern selection, producing large and highly redundant NSPs,
nonactionable for business decision-making. This work makes the first attempt
for actionable NSP discovery. It builds an NSP graph representation, quantify
both explicit occurrence and implicit non-occurrence-based element and pattern
relations, and then discover significant, diverse and informative NSPs in the
NSP graph to represent the entire NSP set for discovering actionable NSPs. A
DPP-based NSP representation and actionable NSP discovery method EINSP
introduces novel and significant contributions for NSA and sequence analysis:
(1) it represents NSPs by a determinantal point process (DPP) based graph; (2)
it quantifies actionable NSPs in terms of their statistical significance,
diversity, and strength of explicit/implicit element/pattern relations; and (3)
it models and measures both explicit and implicit element/pattern relations in
the DPP-based NSP graph to represent direct and indirect couplings between NSP
items, elements and patterns. We substantially analyze the effectiveness of
EINSP in terms of various theoretical and empirical aspects including
complexity, item/pattern coverage, pattern size and diversity, implicit pattern
relation strength, and data factors.
- Abstract（参考訳）: 実生活の出来事、行動、相互作用はシーケンシャルなデータを生み出す。
重要だが稀に研究される問題は、非発生的(負の)重要な配列を分析し、負のシーケンス解析(NSA)を形成することである。
典型的なNSA領域は、重要な非発生的かつ発生的要素とパターンからなる負のシーケンシャルパターン(NSP)を発見することである。
NSP採掘に関する制限された既存の研究は、頻繁かつ下向きの閉鎖性に基づくパターン選択に依存しており、ビジネス上の意思決定には適さない、大きく、非常に冗長なNSPを生成する。
この研究は、行動可能なNSP発見の最初の試みである。
NSPグラフ表現を構築し、明示的な出現と暗黙的な非発生に基づく要素とパターン関係の両方を定量化し、NSPグラフにおいて重要で多種多様な情報的NSPを発見して、実行可能なNSPを発見するためのすべてのNSP集合を表現する。
A DPP-based NSP representation and actionable NSP discovery method EINSP introduces novel and significant contributions for NSA and sequence analysis: (1) it represents NSPs by a determinantal point process (DPP) based graph; (2) it quantifies actionable NSPs in terms of their statistical significance, diversity, and strength of explicit/implicit element/pattern relations; and (3) it models and measures both explicit and implicit element/pattern relations in the DPP-based NSP graph to represent direct and indirect couplings between NSP items, elements and patterns.
EINSPの有効性は,複雑度,項目/パターンのカバレッジ,パターンサイズと多様性,暗黙的パターン関係強度,データ要因など,理論的および実証的な側面から大きく分析した。
関連論文リスト
- Neural Shortest Path for Surface Reconstruction from Point Clouds [4.8792835969814945]
距離関数とその勾配を近似したベクトル値の暗黙的ニューラル表現(INR)であるニューラル・ショート・パス(NSP)を提案する。
NSPをその大きさと方向に分解し、各分解成分が距離関数とその勾配を近似する可変分割法を用いる。
NSP の分解表現は、$H1$ノルムにおける NSP の大きさの収束を保証することを証明している。
論文 参考訳（メタデータ） (2025-02-09T22:01:16Z) - SmoothGNN: Smoothing-aware GNN for Unsupervised Node Anomaly Detection [14.1365182085686]
個別平滑化パターン(ISP)と近隣平滑化パターン(NSP)を紹介する。
ISPとNSPは、異常ノードの表現が通常のノードよりもスムーズであることを示している。
これらの知見に触発されて,新しいノード異常検出フレームワークであるSmoothGNNを提案する。
論文 参考訳（メタデータ） (2024-05-27T14:23:30Z) - Error convergence and engineering-guided hyperparameter search of PINNs:
towards optimized I-FENN performance [0.0]
PINNコンポーネントの2つの重要な側面に着目し,I-FENNの厳格さと性能を向上させる。
本稿では,新しい総合的パフォーマンス指標のセットに基づく体系的な数値的アプローチを提案する。
提案された分析は、科学と工学の他の応用にも直接拡張することができる。
論文 参考訳（メタデータ） (2023-03-03T17:39:06Z) - STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。
最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。
負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
論文 参考訳（メタデータ） (2023-01-25T03:21:42Z) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - Interventional Sum-Product Networks: Causal Inference with Tractable
Probabilistic Models [26.497268758016595]
要約積ネットワーク(SPN)を用いた介入分布の学習の問題を検討する。
任意に介入した因果グラフを入力として、Pearlのdo-operatorを効果的に仮定する。
結果として生じる介入SPNは、個人の健康をテーマとした構造因果モデルによって動機づけられ、図示される。
論文 参考訳（メタデータ） (2021-02-20T20:48:47Z) - Message Passing Neural Processes [3.0969191504482247]
本稿では,モデル内の関係構造を明示的に利用するMPNP(Message Passing Neural Processs)を紹介する。
MPNPは、既存のベンチマークと新たに提案されたCAとCola-Branchedタスクに基づいて、より低いサンプリングレートで成長する。
本稿では、密度に基づくCAルールセットに対する強力な一般化と、任意のラベリングと数発の学習設定に挑戦する際の顕著な向上について報告する。
論文 参考訳（メタデータ） (2020-09-29T09:40:09Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。
CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文 参考訳（メタデータ） (2020-02-03T14:49:18Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z)
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。