論文の概要: Flexible categorization using formal concept analysis and Dempster-Shafer theory

• arxiv url: http://arxiv.org/abs/2312.12010v1
• Date: Tue, 19 Dec 2023 10:05:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 15:59:49.482680
• Title: Flexible categorization using formal concept analysis and Dempster-Shafer theory
• Title（参考訳）: 形式的概念分析とデンプスター・シェーファー理論を用いたフレキシブル分類
• Authors: Marcel Boersma, Krishna Manoorkar, Alessandra Palmigiano, Mattia Panettiere, Apostolos Tzimoulis, Nachoem Wijnberg
• Abstract要約: 本稿では、二部グラフとして表されるデータから説明可能な分類を入手し、研究するための公式な基盤を提供する。 このフレームワークを用いて,検出と分類のための機械学習メタアルゴリズムを記述し,その結果の局所的およびグローバル的説明を提供する。
• 参考スコア（独自算出の注目度）: 42.321011564731585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Categorization of business processes is an important part of auditing. Large amounts of transactional data in auditing can be represented as transactions between financial accounts using weighted bipartite graphs. We view such bipartite graphs as many-valued formal contexts, which we use to obtain explainable categorization of these business processes in terms of financial accounts involved in a business process by using methods in formal concept analysis. We use Dempster-Shafer mass functions to represent agendas showing different interest in different set of financial accounts. We also model some possible deliberation scenarios between agents with different interrogative agendas to reach an aggregated agenda and categorization. The framework developed in this paper provides a formal ground to obtain and study explainable categorizations from the data represented as bipartite graphs according to the agendas of different agents in an organization (e.g. an audit firm), and interaction between these through deliberation. We use this framework to describe a machine-leaning meta algorithm for outlier detection and classification which can provide local and global explanations of its result and demonstrate it through an outlier detection algorithm.
• Abstract（参考訳）: ビジネスプロセスの分類は監査の重要な部分です。 監査における大量のトランザクションデータは、重み付き二部グラフを使用して財務口座間のトランザクションとして表現することができる。 このような二部グラフを多値形式的文脈と捉え、形式的概念分析の手法を用いて、ビジネスプロセスにかかわる財務会計の観点で、これらのビジネスプロセスの説明可能な分類を得る。 Dempster-Shaferマス関数を使用して、さまざまな金融口座に対する異なる関心を示すアジェンダを表現します。 また,質問アジェンダの異なるエージェント間の検討シナリオをモデル化し,アジェンダの集約と分類を行った。 本稿では,組織内の異なるエージェント(監査会社など)の議題に従って,二部グラフとして表されるデータから説明可能な分類を入手し,検討するための公式な基盤を提供する。 我々は,このフレームワークを用いて,異常検出と分類のための機械学習メタアルゴリズムを記述し,その結果を局所的および大域的に説明し,異常検出アルゴリズムを用いて実演する。

関連論文リスト

• A Rapid Review of Clustering Algorithms [5.46715422237599]
  クラスタリングアルゴリズムは、データ内の固有のパターンと類似性に基づいて、データをグループまたはクラスタにまとめることを目的としている。 それらは、マーケティングやeコマース、ヘルスケア、データ組織と分析、ソーシャルメディアなど、今日の生活において重要な役割を担っている。 既存のクラスタリングアルゴリズムを分析し、5つの異なる次元で主要なアルゴリズムを分類した。
  論文  参考訳（メタデータ） (2024-01-14T23:19:53Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• A Meta-Learning Algorithm for Interrogative Agendas [3.0969191504482247]
  我々は,質問的議題を表現するために,標準的な知識表現形式主義である形式概念分析(FCA)に焦点を当てる。 FCAベースのアルゴリズムは、分類や外れ値検出などの標準的な機械学習タスクにすでに使用されている。 本稿では,データを説明する優れた質問課題を構築するためのメタ学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-04T22:09:36Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• A Framework for Multi-View Classification of Features [6.660458629649826]
  データ分類問題の解決では、機能セットが大きすぎると、典型的なアプローチではその問題を解決することができない。 本研究では,人間の複数視点理論における物体認識の問題に触発された,多視点アンサンブル分類のための革新的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-02T16:27:43Z)
• A review of systematic selection of clustering algorithms and their evaluation [0.0]
  本稿では,クラスタリングアルゴリズムとそれに対応する検証概念の体系的選択ロジックを同定することを目的とする。 目標は、潜在的なユーザが自分のニーズと基盤となるデータクラスタリングの問題の性質に最も適したアルゴリズムを選択できるようにすることだ。
  論文  参考訳（メタデータ） (2021-06-24T07:01:46Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• 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。