論文の概要: Temporal Fuzzy Utility Maximization with Remaining Measure
- arxiv url: http://arxiv.org/abs/2208.12439v1
- Date: Fri, 26 Aug 2022 05:09:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 13:27:00.801708
- Title: Temporal Fuzzy Utility Maximization with Remaining Measure
- Title（参考訳）: 継続測定による時間的ファジィユーティリティの最大化
- Authors: Shicheng Wan, Zhenqiang Ye, Wensheng Gan, and Jiahui Chen
- Abstract要約: TFUMと呼ばれる新しい一相時間ファジィユーティリティーアイテムセットマイニング手法を提案する。
TFUMは、時間的ファジィリストを更新して、メモリ内の潜在的高時間的ファジィユーティリティアイテムセットに関する情報を少なくする。
その後、短い時間で本当に興味深いパターンの完全なセットを発見する。
- 参考スコア（独自算出の注目度）: 1.642022526257133
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High utility itemset mining approaches discover hidden patterns from large
amounts of temporal data. However, an inescapable problem of high utility
itemset mining is that its discovered results hide the quantities of patterns,
which causes poor interpretability. The results only reflect the shopping
trends of customers, which cannot help decision makers quantify collected
information. In linguistic terms, computers use mathematical or programming
languages that are precisely formalized, but the language used by humans is
always ambiguous. In this paper, we propose a novel one-phase temporal fuzzy
utility itemset mining approach called TFUM. It revises temporal fuzzy-lists to
maintain less but major information about potential high temporal fuzzy utility
itemsets in memory, and then discovers a complete set of real interesting
patterns in a short time. In particular, the remaining measure is the first
adopted in the temporal fuzzy utility itemset mining domain in this paper. The
remaining maximal temporal fuzzy utility is a tighter and stronger upper bound
than that of previous studies adopted. Hence, it plays an important role in
pruning the search space in TFUM. Finally, we also evaluate the efficiency and
effectiveness of TFUM on various datasets. Extensive experimental results
indicate that TFUM outperforms the state-of-the-art algorithms in terms of
runtime cost, memory usage, and scalability. In addition, experiments prove
that the remaining measure can significantly prune unnecessary candidates
during mining.
- Abstract（参考訳）: 高ユーティリティなアイテムセットマイニングアプローチは、大量の時間データから隠れたパターンを発見する。
しかし、高ユーティリティなアイテムセットマイニングの難解な問題は、その発見結果がパターンの量を隠すことであり、解釈可能性に乏しい。
結果は、顧客のショッピングトレンドのみを反映しており、意思決定者が収集した情報を定量化するのに役立ちません。
言語用語では、コンピュータは正確に形式化された数学やプログラミング言語を使うが、人間が使用する言語は常に曖昧である。
本稿では,TFUMと呼ばれる新しい一相時間ファジィ実用物マイニング手法を提案する。
時間的ファジィリストを修正して、潜在的な高時間的ファジィユーティリティアイテムセットに関する重要な情報をメモリに保持し、短期間で実際の興味深いパターンの完全なセットを見つける。
特に,本論文の時間的ファジィ・ユーティリティー・アイテムセット・マイニング領域では,残余測度が初めて採用されている。
残された最大時間的ファジィ効用は、以前の研究で採用されたものよりもより強く強い上限である。
したがって、tfumの探索空間を刈り取る上で重要な役割を果たす。
最後に,様々なデータセットにおけるtfumの効率と有効性を評価する。
大規模な実験結果から、TFUMは実行時コスト、メモリ使用量、スケーラビリティにおいて最先端のアルゴリズムより優れていることが示唆された。
さらに、実験により、残りの測定値が採掘中に不要な候補を著しく引き起こすことが証明された。
関連論文リスト
- Gradient Descent Efficiency Index [0.0]
本研究では,各イテレーションの有効性を定量化するために,新しい効率指標Ekを導入する。
提案した測定基準は、誤差の相対的変化と繰り返し間の損失関数の安定性の両方を考慮に入れている。
Ekは、機械学習アプリケーションにおける最適化アルゴリズムの選択とチューニングにおいて、より詳細な決定を導く可能性がある。
論文 参考訳（メタデータ） (2024-10-25T10:22:22Z) - Mixture of Parrots: Experts improve memorization more than reasoning [72.445819694797]
専門家の数が増えるにつれて、推論能力が飽和している間に記憶性能が一貫して向上することを示す。
専門家の増加は知識集約的なタスクの解決に役立ちますが、推論タスクには同じようなメリットが得られません。
論文 参考訳（メタデータ） (2024-10-24T17:54:41Z) - Towards Sequence Utility Maximization under Utility Occupancy Measure [53.234101208024335]
データベースでは、ユーティリティは各パターンに対して柔軟な基準であるが、ユーティリティ共有を無視するため、より絶対的な基準である。
まず、まず、シーケンスデータに対するユーティリティの占有を定義し、高ユーティリティ・アクシデント・パターンマイニングの問題を提起する。
SuMU(Sequence Utility Maximization with Utility cccupancy measure)と呼ばれるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-20T17:28:53Z) - A Generic Algorithm for Top-K On-Shelf Utility Mining [47.729883172648876]
オンシェルフユーティリティマイニング(OSUM)は、データマイニングにおける新たな研究方向である。
販売期間中に高い相対効用を有するアイテムセットを発見することを目的としている。
オンシェルフ高ユーティリティアイテムセットの適切な量をマイニングするための最小限の閾値ミニユーティリティを定義するのは難しい。
そこで我々はTop-k On-Shelf hIgh-utility patternsをマイニングするための汎用アルゴリズムTOITを提案する。
論文 参考訳（メタデータ） (2022-08-27T03:08:00Z) - Itemset Utility Maximization with Correlation Measure [8.581840054840335]
高ユーティリティアイテムセットマイニング(HUIM)は、興味深いが隠された情報(例えば、利益とリスク)を見つけるために使用される。
本稿では,Coium(Coium)を用いたアイテムセット実用性最大化という新しいアルゴリズムを提案する。
2つの上界と4つのプルーニング戦略を用いて探索空間を効果的にプルークする。また、適用された上界を線形時間と空間で計算・保存するために、ユーティリティービンと呼ばれる簡潔なアレイ構造を用いる。
論文 参考訳（メタデータ） (2022-08-26T10:06:24Z) - Flexible Pattern Discovery and Analysis [2.075126998649103]
フレキシブルな高ユーティリティ占有パターンのマイニングのためのアルゴリズムを導入する。
提案アルゴリズムは,実世界のデータセットと合成データセットの両方に対して,抽出したパターンの長さを効果的に制御することができる。
論文 参考訳（メタデータ） (2021-11-24T01:25:15Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z) - Progressively Pretrained Dense Corpus Index for Open-Domain Question
Answering [87.32442219333046]
本稿では,段落エンコーダを事前学習するための簡易かつ資源効率の高い手法を提案する。
本手法は,事前学習に7倍の計算資源を使用する既存の高密度検索法より優れている。
論文 参考訳（メタデータ） (2020-04-30T18:09:50Z) - A Robust Functional EM Algorithm for Incomplete Panel Count Data [66.07942227228014]
完全無作為な仮定(MCAR)の下での数え上げ過程の平均関数を推定する機能的EMアルゴリズムを提案する。
提案アルゴリズムは、いくつかの一般的なパネル数推定手法をラップし、不完全数にシームレスに対処し、ポアソン過程の仮定の誤特定に頑健である。
本稿では, 数値実験による提案アルゴリズムの有用性と喫煙停止データの解析について述べる。
論文 参考訳（メタデータ） (2020-03-02T20:04:38Z)
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。