Fugu-MT 論文翻訳(概要): The Application of Energy and Laplacian Energy of Hesitancy Fuzzy Graph Based on Similarity Measures in Decision Making Problems

論文の概要: The Application of Energy and Laplacian Energy of Hesitancy Fuzzy Graph Based on Similarity Measures in Decision Making Problems

arxiv url: http://arxiv.org/abs/2205.00880v1
Date: Thu, 28 Apr 2022 11:24:36 GMT
ステータス: 処理完了
システム内更新日: 2022-05-06 09:42:15.128290
Title: The Application of Energy and Laplacian Energy of Hesitancy Fuzzy Graph Based on Similarity Measures in Decision Making Problems
Title（参考訳）: ファジィグラフのエネルギーとラプラシアンエネルギーの類似性尺度に基づく意思決定問題への応用
Authors: Rajagopal Reddy N, Sharief Basha Shaik
Abstract要約: 新しいヘシタシーファジィ類似度尺度が定義され、その後、ヘシタシーファジィ類似度尺度の行列を開発するために使用される。専門家の評価値を評価するための作業手順を構築した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: In this article, a new hesitancy fuzzy similarity measure is defined and then used to develop the matrix of hesitancy fuzzy similarity measures, which is subsequently used to classify hesitancy fuzzy graph using the working procedure. We build a working procedure (Algorithm) for estimating the eligible reputation scores values of experts by applying hesitancy fuzzy preference relationships (HFPRs) and the usual similarity degree of one distinct HFPRs to each other's. As the last step, we provide real time numerical examples to demonstrate and validate our working procedure.
Abstract（参考訳）: 本稿では、新しいヘッシタンシーファジィ類似度測度を定義し、その後、作業手順を用いてヘッシタンシーファジィグラフを分類するために用いられる、ヘッシタンシーファジィ類似度測度の行列を開発するために使用する。本研究では,HFPR(Hesitancy fuzzy preference relationship)とHFPR(HFPR)の類似度を相互に適用することにより,専門家の評価値を評価する作業手順(Algorithm)を構築した。最後のステップとして、作業手順の実証と検証のための実時間数値例を提供する。

関連論文リスト

Decomposable Transformer Point Processes [2.1756081703276]
本稿では,注目に基づくアーキテクチャの利点の維持と,薄型化アルゴリズムの限界を回避する枠組みを提案する。提案手法は,その履歴が与えられたシーケンスの次の事象を予測する上で,最先端の性能を実現する。
論文参考訳（メタデータ） (2024-09-26T13:22:58Z)
Differentiable Optimization of Similarity Scores Between Models and Brains [1.5391321019692434]
線形回帰、CKA(Centered Kernel Alignment)、正規化バーレス類似度(NBS)、角状プロクリスト距離といった類似度は、この類似度を定量化するためにしばしば用いられる。本稿では、類似度の高いスコアと「良い」スコアを構成するスコアについて調査する新しいツールについて紹介する。驚くべきことに、高い類似度スコアは、ニューラルデータと整合した方法でタスク関連情報を符号化することを保証していない。
論文参考訳（メタデータ） (2024-07-09T17:31:47Z)
Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
論文参考訳（メタデータ） (2024-04-04T11:32:03Z)
Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文参考訳（メタデータ） (2024-01-10T02:38:21Z)
Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。これらの結果はサンプル状態と有限状態の両方で定式化する。
論文参考訳（メタデータ） (2022-10-03T06:09:01Z)
Comparing Apples to Oranges: Learning Similarity Functions for Data Produced by Different Distributions [6.906621279967866]
我々はこれらのグループ間の類似性関数を学習する効率的なサンプリングフレームワークを提案する。厳密な理論的境界を持つ解析結果を示し、我々のアルゴリズムを実証的に検証する。
論文参考訳（メタデータ） (2022-08-26T15:38:05Z)
Mining Relations among Cross-Frame Affinities for Video Semantic Segmentation [87.4854250338374]
関連性間の関係を, 単一スケールの内在的相関と多スケールの関係という2つの側面で検討する。実験により,提案手法は最先端のVSS法に対して好適に動作することを示した。
論文参考訳（メタデータ） (2022-07-21T12:12:36Z)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)
Energy-Based Learning for Cooperative Games, with Applications to Feature/Data/Model Valuations [91.36803653600667]
本稿では, 最大エントロピーフレームワークによる理論的正当性を備えた, 協調ゲームのための新しいエネルギーベース処理法を提案する。驚くべきことに、エネルギーベースモデルの変分推論を行うことで、Shapley値やBanzhafインデックスといった様々なゲーム理論の評価基準を復元する。提案する変分指数は,特定の合成および実世界のバリュエーション問題において,興味深い特性を享受できることを実験的に実証した。
論文参考訳（メタデータ） (2021-06-05T17:39:04Z)
Discount Factor as a Regularizer in Reinforcement Learning [23.56942940879309]
低い割引係数でRLアルゴリズムを適用することは、レギュレータとして機能し、限られたデータ構造の性能を向上させることが知られている。削減割引係数を用いることと、アルゴリズムの損失に明示的な正規化項を追加することの間には、明らかな等価性を示す。等価性によって動機付けられたこの手法を、標準の$L$正規化と比較して実証的に研究する。
論文参考訳（メタデータ） (2020-07-04T08:10:09Z)

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。