論文の概要: Development of fully intuitionistic fuzzy data envelopment analysis
model with missing data: an application to Indian police sector
- arxiv url: http://arxiv.org/abs/2208.02675v1
- Date: Wed, 27 Jul 2022 18:20:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-07 14:21:03.524865
- Title: Development of fully intuitionistic fuzzy data envelopment analysis
model with missing data: an application to Indian police sector
- Title（参考訳）: 欠落データを用いた完全直観的ファジィデータ包絡分析モデルの開発--インド警察部門への適用
- Authors: Anjali Sonkariya, Awadh Pratap Singh, Shiv Prasad Yadav
- Abstract要約: DEAは意思決定単位(DMU)の効率を測定する技術である
通常、データは人間、機械、またはその両方によって収集される。
データの欠落した値と不正確性に対処できる方法が提示される。
本報告では,インドにおける警察署の性能効率を実生活で測定するアプリケーションについて述べる。
- 参考スコア（独自算出の注目度）: 2.9434930072968584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data Envelopment Analysis (DEA) is a technique used to measure the efficiency
of decision-making units (DMUs). In order to measure the efficiency of DMUs,
the essential requirement is input-output data. Data is usually collected by
humans, machines, or both. Due to human/machine errors, there are chances of
having some missing values or inaccuracy, such as
vagueness/uncertainty/hesitation in the collected data. In this situation, it
will be difficult to measure the efficiencies of DMUs accurately. To overcome
these shortcomings, a method is presented that can deal with missing values and
inaccuracy in the data. To measure the performance efficiencies of DMUs, an
input minimization BCC (IMBCC) model in a fully intuitionistic fuzzy (IF)
environment is proposed. To validate the efficacy of the proposed fully
intuitionistic fuzzy input minimization BCC (FIFIMBCC) model and the technique
to deal with missing values in the data, a real-life application to measure the
performance efficiencies of Indian police stations is presented.
- Abstract（参考訳）: データ包括分析(Data Envelopment Analysis, DEA)は、意思決定単位(DMU)の効率を測定する技術である。
DMUの効率を測定するために、必須要件は入出力データである。
通常、データは人間、機械、またはその両方によって収集される。
人/機械のエラーにより、収集されたデータに曖昧さ/不確かさ/癒しなど、いくつかの欠落値や不正確性が生じる可能性がある。
この状況では、DMUの効率を正確に測定することは困難である。
これらの欠点を克服するために、データの欠落した値と不正確さに対処できる方法が提示される。
DMUの性能効率を測定するために,完全直観的ファジィ(IF)環境における入力最小化BCC(IMBCC)モデルを提案する。
提案する完全直感的ファジィ入力最小化bcc(fifimbcc)モデルの有効性とデータの欠落値に対処する手法を検証するため,インドの警察署のパフォーマンス効率を測定するための実生活応用を提案する。
関連論文リスト
- Towards a Theoretical Understanding of Memorization in Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(GenAI)の主流モデルとして採用されている。
モデル収束を前提とした条件付きおよび非条件付きDPMにおける記憶の理論的理解を提供する。
本研究では、生成されたデータに基づいて訓練された時間依存型分類器を代理条件として利用し、無条件DPMからトレーニングデータを抽出する、textbfSurrogate condItional Data extract (SIDE) という新しいデータ抽出手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T13:17:06Z) - Missing Value Imputation for Multi-attribute Sensor Data Streams via
Message Propagation (Extended Version) [25.022656067909523]
タイムウインドウでデータインスタンスの欠落した値を復元できるMPIN(Message propagation imputation Network)を提案する。
MPINは、既存のデータインプタを幅広いマージンで上回り、継続的なインプタフレームワークは効率的かつ正確である。
論文 参考訳（メタデータ） (2023-11-13T14:01:04Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Conditional expectation with regularization for missing data imputation [19.254291863337347]
欠落したデータは、医学、スポーツ、ファイナンスなど、さまざまな領域のデータセットで頻繁に発生する。
正規化による損失値の条件分布に基づくインプット(DIMV)という新しいアルゴリズムを提案する。
DIMVは、完全に観察された特徴からの情報をベースとして、エントリが不足している特徴の条件分布を決定することで機能する。
論文 参考訳（メタデータ） (2023-02-02T06:59:15Z) - Multiple Imputation with Neural Network Gaussian Process for
High-dimensional Incomplete Data [9.50726756006467]
既存のメソッドにはいくつかの制限があるが、Imputationはおそらく欠落データを扱う最も一般的な方法である。
2つのNNGPに基づくMI手法、すなわちMI-NNGPを提案する。
MI-NNGP法は, 合成および実データに対して, 既存の最先端手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2022-11-23T20:54:26Z) - Calibrating Agent-based Models to Microdata with Graph Neural Networks [1.4911092205861822]
エージェントベースモデル(ABM)をデータにキャリブレーションすることは、モデルがその目的を確実に満たすための最も基本的な要件である。
本稿では、時間グラフニューラルネットワークを用いて、粒状マイクロデータに付随するパラメータ後部を学習する。
論文 参考訳（メタデータ） (2022-06-15T14:41:43Z) - MissDAG: Causal Discovery in the Presence of Missing Data with
Continuous Additive Noise Models [78.72682320019737]
不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。
MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。
各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
論文 参考訳（メタデータ） (2022-05-27T09:59:46Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z)
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。