論文の概要: Exploiting complex pattern features for interactive pattern mining
- arxiv url: http://arxiv.org/abs/2204.04242v1
- Date: Fri, 8 Apr 2022 18:33:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-16 10:32:14.403453
- Title: Exploiting complex pattern features for interactive pattern mining
- Title（参考訳）: インタラクティブパターンマイニングにおける複雑なパターン特徴の活用
- Authors: Arnold Hien, Samir Loudni, Noureddine Aribi, Abdelkader Ouali,
Albrecht Zimmermann
- Abstract要約: パターンの品質関数を学習するためにユーザフィードバックを活用する方法を示す。
我々は,ユーザによって課されるパターンランキングから直接派生した,より複雑な機能を扱うことを提案する。
異なるパラメータ選択の効果を実験的に検討し、高複雑性特徴を用いることで、隠れた品質関数に整合したパターンの選択が導かれることを示した。
- 参考スコア（独自算出の注目度）: 0.41998444721319206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent years have seen a shift from a pattern mining process that has users
define constraints before-hand, and sift through the results afterwards, to an
interactive one. This new framework depends on exploiting user feedback to
learn a quality function for patterns. Existing approaches have a weakness in
that they use static pre-defined low-level features, and attempt to learn
independent weights representing their importance to the user. As an
alternative, we propose to work with more complex features that are derived
directly from the pattern ranking imposed by the user. Learned weights are then
aggregated onto lower-level features and help to drive the quality function in
the right direction. We explore the effect of different parameter choices
experimentally and find that using higher-complexity features leads to the
selection of patterns that are better aligned with a hidden quality function
while not adding significantly to the run times of the method.
Getting good user feedback requires to quickly present diverse patterns,
something that we achieve but pushing an existing diversity constraint into the
sampling component of the interactive mining system LetSip. Resulting patterns
allow in most cases to converge to a good solution more quickly.
Combining the two improvements, finally, leads to an algorithm showing clear
advantages over the existing state-of-the-art.
- Abstract（参考訳）: 近年では、ユーザが事前に制約を定義し、その結果を精査するパターンマイニングプロセスから、インタラクティブなプロセスへとシフトしている。
この新しいフレームワークは、ユーザのフィードバックを利用してパターンの品質関数を学習する。
既存のアプローチでは、静的に事前定義された低レベル機能を使用し、ユーザにとっての重要性を表す独立した重みを学習しようとするという弱点がある。
その代わりとして,ユーザによって課されるパターンランキングから直接派生した,より複雑な機能を扱うことを提案する。
学習された重みは低レベルの機能に集約され、品質機能を正しい方向に進めるのに役立つ。
異なるパラメータ選択の効果を実験的に検討し,高複雑度特徴を用いることで,メソッドの実行時間にさほど加えず,隠れた品質関数と一致したパターンを選択することが可能であることを見出した。
優れたユーザフィードバックを得るためには、私たちが達成しているような多様なパターンを迅速に提示する必要がありますが、既存の多様性制約をインタラクティブマイニングシステムのサンプリングコンポーネントにプッシュする必要があります。
結果として生じるパターンは、たいていの場合、より素早く良いソリューションに収束できる。
この2つの改善を組み合わせることで、既存の最先端技術に対して明確な優位性を示すアルゴリズムが実現される。
関連論文リスト
- A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。
また,モーザイクアーティファクトを緩和するのには単純だが有効であるHR特徴量に対して,きめ細かな近傍選択戦略を開発した。
提案するReSFUフレームワークは,異なるセグメンテーションアプリケーション上での良好な性能を一貫して達成する。
論文 参考訳（メタデータ） (2024-07-02T14:12:21Z) - Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。
しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
論文 参考訳（メタデータ） (2024-03-01T09:01:53Z) - 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) - Feature Selection with Distance Correlation [0.0]
距離相関に基づく特徴選択法(DisCo)を提案する。
7000以上のエネルギーフローの集合から特徴を抽出するために本手法を用いることで,より深いアーキテクチャの性能に適合できることを示す。
論文 参考訳（メタデータ） (2022-11-30T19:00:04Z) - A metaheuristic multi-objective interaction-aware feature selection
method [5.28539620288341]
本稿では,いくつかの利点を有する新しい多目的特徴選択法を提案する。
高度な確率スキームを用いて特徴間の相互作用を考察する。
提案手法は,提案した確率スキームを用いて,より有望な子孫を生成する。
論文 参考訳（メタデータ） (2022-11-10T08:56:48Z) - Improved Robust Algorithms for Learning with Discriminative Feature
Feedback [21.58493386054356]
識別的特徴フィードバック(英: Discriminative Feature Feedback)は、人間の教師によって提供される特徴説明に基づく対話型学習のためのプロトコルである。
我々は、識別的特徴フィードバックモデルのための、新しい堅牢な対話型学習アルゴリズムを提供する。
論文 参考訳（メタデータ） (2022-09-08T12:11:12Z) - BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。
対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。
提案手法は最先端手法よりも優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-25T13:13:37Z) - Boosting the Learning for Ranking Patterns [6.142272540492935]
本稿では,多基準意思決定問題として,パターンランキング関数の学習問題を定式化する。
本手法は,対話型学習手法を用いて,異なる興味度尺度を1つの重み付き線形ランキング関数に集約する。
良く知られたデータセットを用いて行った実験は、我々のアプローチが実行時間を著しく短縮し、正確なパターンランキングを返すことを示している。
論文 参考訳（メタデータ） (2022-03-05T10:22:44Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Feature Selection for Huge Data via Minipatch Learning [0.0]
安定ミニパッチ選択(STAMPS)と適応STAMPSを提案する。
STAMPSは、データの観測と特徴の両方の小さな(適応性の高い)ランダムなサブセットに基づいて訓練された基本特徴セレクタの選択イベントのアンサンブルを構築するメタアルゴリズムである。
われわれのアプローチは一般的であり、様々な機能選択戦略や機械学習技術に応用できる。
論文 参考訳（メタデータ） (2020-10-16T17:41:08Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z)
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。