論文の概要: SDRDPy: An application to graphically visualize the knowledge obtained
with supervised descriptive rule algorithms
- arxiv url: http://arxiv.org/abs/2401.17783v1
- Date: Wed, 31 Jan 2024 12:26:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 14:38:15.767421
- Title: SDRDPy: An application to graphically visualize the knowledge obtained
with supervised descriptive rule algorithms
- Title(参考訳): SDRDPy:教師付き記述規則アルゴリズムで得られた知識をグラフィカルに視覚化するアプリケーション
- Authors: M.A. Padilla-Rascon, P. Gonzalez, C.J. Carmona
- Abstract要約: このアプリケーションは、アルゴリズムが実行されたツールにかかわらず、データセットの関連情報とルール、データ、および各ルールに関連する品質対策との関係を示すデータの分析を提供することができる。
すべての情報は、専門家分析と異なるフォーマットでのレポートのエクスポートを容易にするために、ユーザフレンドリーなアプリケーションで表示されます。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: SDRDPy is a desktop application that allows experts an intuitive graphic and
tabular representation of the knowledge extracted by any supervised descriptive
rule discovery algorithm. The application is able to provide an analysis of the
data showing the relevant information of the data set and the relationship
between the rules, data and the quality measures associated for each rule
regardless of the tool where algorithm has been executed. All of the
information is presented in a user-friendly application in order to facilitate
expert analysis and also the exportation of reports in different formats.
- Abstract(参考訳): SDRDPyは、専門家が教師付き記述型ルール発見アルゴリズムによって抽出された知識の直感的なグラフィックおよび表象表現を可能にするデスクトップアプリケーションである。
このアプリケーションは、アルゴリズムが実行されたツールにかかわらず、データセットの関連情報とルール、データ、および各ルールに関連する品質対策との関係を示すデータの分析を提供することができる。
すべての情報は、専門家分析と異なるフォーマットのレポートのエクスポートを容易にするために、ユーザフレンドリーなアプリケーションで提示されます。
関連論文リスト
- StructChart: Perception, Structuring, Reasoning for Visual Chart
Understanding [58.38480335579541]
現在のチャート関連タスクは、視覚チャートから情報を抽出することを参照するチャート認識か、抽出されたデータから推論を行うかに焦点を当てている。
本稿では,共同認識と推論タスクのための統一的でラベル効率のよい学習パラダイムを確立することを目的とする。
各種のチャート関連タスクで実験を行い、統合されたチャート認識推論パラダイムの有効性と有望な可能性を実証した。
論文 参考訳(メタデータ) (2023-09-20T12:51:13Z) - Learning Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。
また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文 参考訳(メタデータ) (2023-05-31T10:36:10Z) - ASTA: Learning Analytical Semantics over Tables for Intelligent Data
Analysis and Visualization [32.06228510098419]
本稿では,ユーザ生成分析の背後にある共通分析パターンを明らかにするために,テーブル上の解析意味論を提案する。
本稿では,ユーザ意図からデータ焦点を分離し,データと人間の視点からユーザモチベーションを抽出して分析意味論を設計する。
また,知的テーブル分析を実証するために,初めて条件付きフォーマッティングを推奨するとともに,チャートレコメンデーションも提案する。
論文 参考訳(メタデータ) (2022-08-01T13:32:36Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳(メタデータ) (2022-02-11T09:45:11Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - Conditional Attention Networks for Distilling Knowledge Graphs in
Recommendation [74.14009444678031]
本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。
本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。
そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
論文 参考訳(メタデータ) (2021-11-03T09:40:43Z) - A Survey of Knowledge Graph Embedding and Their Applications [0.17205106391379024]
知識グラフの埋め込みにより、現実世界のアプリケーションが情報を消費してパフォーマンスを向上させることができる。
本稿では、単純な翻訳モデルからリッチメントモデルへのKG埋め込みの分野の成長について紹介する。
論文 参考訳(メタデータ) (2021-07-16T12:07:53Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳(メタデータ) (2020-04-30T14:16:19Z) - Learning Robust Representations via Multi-View Information Bottleneck [41.65544605954621]
元の定式化は、過剰な情報を識別するためにラベル付きデータを必要とする。
この機能は、同一のエンティティの2つのビューが提供されるが、ラベルが不明なマルチビューアントラクサ設定に拡張する。
理論的解析により、MIR-FlickrデータセットのSketchyデータセットとラベル限定バージョンで最先端の結果を生成する新しいマルチビューモデルが定義される。
論文 参考訳(メタデータ) (2020-02-17T16:01:52Z)
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。