論文の概要: Three-way causal attribute partial order structure analysis
- arxiv url: http://arxiv.org/abs/2303.17482v1
- Date: Wed, 29 Mar 2023 03:52:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 13:02:58.741976
- Title: Three-way causal attribute partial order structure analysis
- Title（参考訳）: 三方向因果属性部分順序構造解析
- Authors: Xue Zaifa, Lu Huibin, Zhang Tao, Li Tao and Lu Xin
- Abstract要約: 3WCAPOSの精度は,分類木や回帰木と比較して1%～9%向上した。
その結果,3WCAPOSの精度は分類木や回帰木と比較して1%～9%向上した。
- 参考スコア（独自算出の注目度）: 3.39487428163997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an emerging concept cognitive learning model, partial order formal
structure analysis (POFSA) has been widely used in the field of knowledge
processing. In this paper, we propose the method named three-way causal
attribute partial order structure (3WCAPOS) to evolve the POFSA from set
coverage to causal coverage in order to increase the interpretability and
classification performance of the model. First, the concept of causal factor
(CF) is proposed to evaluate the causal correlation between attributes and
decision attributes in the formal decision context. Then, combining CF with
attribute partial order structure, the concept of causal attribute partial
order structure is defined and makes set coverage evolve into causal coverage.
Finally, combined with the idea of three-way decision, 3WCAPOS is formed, which
makes the purity of nodes in the structure clearer and the changes between
levels more obviously. In addition, the experiments are carried out from the
classification ability and the interpretability of the structure through the
six datasets. Through these experiments, it is concluded the accuracy of
3WCAPOS is improved by 1% - 9% compared with classification and regression
tree, and more interpretable and the processing of knowledge is more reasonable
compared with attribute partial order structure.
- Abstract（参考訳）: 認知学習モデルとして、知識処理の分野では、部分順序形式構造解析(POFSA)が広く用いられている。
本稿では,モデルの解釈性と分類性能を向上させるために,pofsaを設定範囲から因果範囲に進化させる3方向因果属性部分順序構造(3wcapos)を提案する。
まず, 因果的要因(CF)の概念を, 形式的決定文脈における属性と決定属性の因果的相関性を評価するために提案する。
次に、cfと属性部分順序構造を組み合わせて因果属性部分順序構造の概念を定義し、集合カバレッジを因果カバレッジに発展させる。
最後に、3方向決定のアイデアと合わせて、3WCAPOSが形成され、構造内のノードの純度がより明確になり、レベル間の変化がより明確になる。
さらに,6つのデータセットを通して,構造体の分類能力と解釈可能性から実験を行った。
これらの実験により, 3WCAPOSの精度は分類木や回帰木と比較して1%～9%向上し, より解釈可能であり, 知識処理は属性部分順序構造よりも合理的であることがわかった。
関連論文リスト
- Integrating Hierarchical Semantic into Iterative Generation Model for Entailment Tree Explanation [7.5496857647335585]
本稿では,HiSCG (Controller-Generator) の枠組みに基づいて文の階層的意味論を統合するアーキテクチャを提案する。
提案手法はEntailmentBankデータセットの3つの設定で同等のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-09-26T11:46:58Z) - Fine-Grained Domain Generalization with Feature Structuralization [36.48094750433708]
細粒度領域一般化(FGDG)は、クラス間差が小さく、クラス内差が比較的大きいため、従来のDGタスクよりも難しい課題である。
本稿では,特徴的構造的領域一般化モデルを提案する。
論文 参考訳（メタデータ） (2024-06-13T14:27:53Z) - CSCNET: Class-Specified Cascaded Network for Compositional Zero-Shot
Learning [62.090051975043544]
属性とオブジェクト(A-O)の絡み合いは、合成ゼロショット学習(CZSL)の基本的かつ重要な問題である
CZSL(Class-specified Cascaded Network, CSCNet)のための新しいA-O不整合フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-09T14:18:41Z) - SEER: Facilitating Structured Reasoning and Explanation via Reinforcement Learning [29.514755268807868]
構造的推論と説明を容易にする構造的回帰を最大化する新しい手法であるSEERを提案する。
提案手法は構造的推論に固有の階層構造と分岐構造を正確に記述する。
実験の結果,SEERは最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-01-24T06:10:51Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-23T17:27:40Z) - Understanding and Constructing Latent Modality Structures in Multi-modal
Representation Learning [53.68371566336254]
優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。
具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
論文 参考訳（メタデータ） (2023-03-10T14:38:49Z) - Spatio-Temporal Representation Factorization for Video-based Person
Re-Identification [55.01276167336187]
本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。
STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。
実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
論文 参考訳（メタデータ） (2021-07-25T19:29:37Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z) - Entity Structure Within and Throughout: Modeling Mention Dependencies
for Document-Level Relation Extraction [17.653025734439616]
このような構造を言及対間の独特の依存関係として定式化する。
次に,これらの構造的依存関係を標準自己認識機構に組み込んだSSANを提案する。
本実験では,提案された実体構造の有用性およびSSANの有効性を示す。
論文 参考訳（メタデータ） (2021-02-20T03:47:46Z) - Enquire One's Parent and Child Before Decision: Fully Exploit
Hierarchical Structure for Self-Supervised Taxonomy Expansion [17.399482876574407]
本稿では,階層構造の性質を最大限に活用し,拡張された分類の一貫性を最大化する階層拡張フレームワーク(HEF)を提案する。
HEFは3つのベンチマークデータセットにおいて、平均的精度が46.7%、平均的相互ランクが32.3%向上した。
論文 参考訳（メタデータ） (2021-01-27T08:57:47Z) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳（メタデータ） (2020-08-11T15:01:32Z)
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。