論文の概要: Association Rules Mining with Auto-Encoders

• arxiv url: http://arxiv.org/abs/2304.13717v1
• Date: Wed, 26 Apr 2023 17:55:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 13:25:04.441157
• Title: Association Rules Mining with Auto-Encoders
• Title（参考訳）: 自動エンコーダによるルールマイニング
• Authors: Th\'eophile Berteloot, Richard Khoury, Audrey Durand
• Abstract要約: ARM-AEと呼ばれるマイニングアソシエーションルールに対するオートエンコーダソリューションを提案する。 提案アルゴリズムは,高いサポートと信頼性のルールセットを発見し,従来の手法よりも優れた実行時間を有する。
• 参考スコア（独自算出の注目度）: 5.175050215292647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Association rule mining is one of the most studied research fields of data mining, with applications ranging from grocery basket problems to explainable classification systems. Classical association rule mining algorithms have several limitations, especially with regards to their high execution times and number of rules produced. Over the past decade, neural network solutions have been used to solve various optimization problems, such as classification, regression or clustering. However there are still no efficient way association rules using neural networks. In this paper, we present an auto-encoder solution to mine association rule called ARM-AE. We compare our algorithm to FP-Growth and NSGAII on three categorical datasets, and show that our algorithm discovers high support and confidence rule set and has a better execution time than classical methods while preserving the quality of the rule set produced.
• Abstract（参考訳）: アソシエーションルールマイニングは最も研究されているデータマイニングの研究分野の1つであり、食料品バスケットの問題から説明可能な分類システムまで幅広い応用がある。 古典的なアソシエーションルールマイニングアルゴリズムには、特に高い実行時間と生成されるルール数に関して、いくつかの制限がある。 過去10年間で、分類、回帰、クラスタリングなど、さまざまな最適化問題の解決にニューラルネットワークソリューションが使われてきた。 しかし、ニューラルネットワークを使った効率的なアソシエーションルールはいまだに存在しない。 本稿では,ARM-AEと呼ばれるマイニングアソシエーションルールに対する自動エンコーダソリューションを提案する。 提案アルゴリズムはFP-GrowthとNSGAIIを3つのカテゴリのデータセットで比較し,提案アルゴリズムが高サポートと信頼性のルールセットを発見し,生成したルールセットの品質を保ちながら,従来の手法よりも優れた実行時間を有することを示す。

関連論文リスト

• Cambrian Explosion Algorithm for Multi-Objective Association Rules Mining [5.175050215292647]
  アソシエーション・ルール・マイニング(Association Rule mining)は、データマイニングの分野で最も研究されている分野の一つである。 関連ルールマイニング問題における最先端のメタヒューリスティックスの性能の比較を行った。 本研究では,大規模データセットからルールを効率的に抽出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-23T08:34:05Z)
• HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
  両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
  論文  参考訳（メタデータ） (2022-10-31T14:06:11Z)
• Towards Correlated Sequential Rules [4.743965372344134]
  高実用性シーケンシャルルールマイニング(HUSRM)は、結果のシーケンシャルパターンの発生を予測できる信頼度や確率を調査するために設計された。 HUSRMと呼ばれる既存のアルゴリズムは、生成されたシーケンシャルルール間の相関を無視しながら、すべての許容ルールを抽出することに制限されている。 本稿では,HUSRMに相関の概念を統合するために,CoUSR(Cocorlation High-utility Sequence Rule Minr)と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-27T17:27:23Z)
• Towards Target Sequential Rules [52.4562332499155]
  ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。 新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:59:54Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Discovering Categorical Main and Interaction Effects Based on Association Rule Mining [0.0]
  我々はアソシエーションルールを用いて特徴とその相互作用を選択し、そのアルゴリズムをいくつかの実用的な問題のために修正する。 提案アルゴリズムの計算複雑性を解析し,その効率性を示す。
  論文  参考訳（メタデータ） (2021-04-10T10:13:07Z)
• A brief overview of swarm intelligence-based algorithms for numerical association rule mining [2.535671322516818]
  数値アソシエーション・ルール・マイニング(英: Numerical Association Rule Mining)は、アソシエーション・ルール・マイニング(英: Association Rule Mining)の一般的な変種であり、数値属性は離散化せずに扱われる。 本章では、数値アソシエーションルールマイニングのための群知能に基づくアルゴリズムの歴史的概要と、観測された問題に対するこれらのアルゴリズムの主な特徴について述べる。
  論文  参考訳（メタデータ） (2020-10-29T12:44:15Z)
• Lagrangian Decomposition for Neural Network Verification [148.0448557991349]
  ニューラルネットワーク検証の基本的なコンポーネントは、出力が取ることのできる値のバウンダリの計算である。 ラグランジアン分解に基づく新しい手法を提案する。 ランニングタイムのごく一部で、既成の解法に匹敵するバウンダリが得られることを示す。
  論文  参考訳（メタデータ） (2020-02-24T17:55:10Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。