論文の概要: FRRI: a novel algorithm for fuzzy-rough rule induction

• arxiv url: http://arxiv.org/abs/2403.04447v2
• Date: Thu, 29 Aug 2024 11:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 19:18:41.403172
• Title: FRRI: a novel algorithm for fuzzy-rough rule induction
• Title（参考訳）: ファジィロー法則誘導のための新しいアルゴリズムFRRI
• Authors: Henri Bollaert, Marko Palangetić, Chris Cornelis, Salvatore Greco, Roman Słowiński,
• Abstract要約: ファジィラフルール誘導(FRRI)と呼ばれる新しいルール誘導アルゴリズムを導入する。 アルゴリズムの背景と動作を説明します。 私たちのアルゴリズムは、小さなルールセットを作成しながら、より正確であることに気付きました。
• 参考スコア（独自算出の注目度）: 0.8575004906002217
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Interpretability is the next frontier in machine learning research. In the search for white box models - as opposed to black box models, like random forests or neural networks - rule induction algorithms are a logical and promising option, since the rules can easily be understood by humans. Fuzzy and rough set theory have been successfully applied to this archetype, almost always separately. As both approaches to rule induction involve granular computing based on the concept of equivalence classes, it is natural to combine them. The QuickRules\cite{JensenCornelis2009} algorithm was a first attempt at using fuzzy rough set theory for rule induction. It is based on QuickReduct, a greedy algorithm for building decision reducts. QuickRules already showed an improvement over other rule induction methods. However, to evaluate the full potential of a fuzzy rough rule induction algorithm, one needs to start from the foundations. In this paper, we introduce a novel rule induction algorithm called Fuzzy Rough Rule Induction (FRRI). We provide background and explain the workings of our algorithm. Furthermore, we perform a computational experiment to evaluate the performance of our algorithm and compare it to other state-of-the-art rule induction approaches. We find that our algorithm is more accurate while creating small rulesets consisting of relatively short rules. We end the paper by outlining some directions for future work.
• Abstract（参考訳）: 解釈可能性(Interpretability)は、機械学習研究の次のフロンティアである。 ランダムな森林やニューラルネットワークのようなブラックボックスモデルとは対照的に、ホワイトボックスモデルの検索では、ルール誘導アルゴリズムは論理的で有望な選択肢である。 ファジィと粗い集合論は、ほぼ常に別々に、このアーチタイプにうまく適用されてきた。 どちらのルール帰納法も同値クラスの概念に基づく粒度の計算を伴っているため、それらを組み合わせることは自然である。 QuickRules\cite{JensenCornelis2009} アルゴリズムは、ファジィ粗セット理論をルール帰納法に利用するための最初の試みである。 QuickReductは、意思決定リダクトを構築するための欲張りのアルゴリズムである。 QuickRulesは、他のルール誘導方法よりも改善されている。 しかし、ファジィ粗規則誘導アルゴリズムの潜在能力を評価するためには、基礎から始める必要がある。 本稿ではファジィラフルール誘導(FRRI)と呼ばれる新しいルール誘導アルゴリズムを提案する。 アルゴリズムの背景と動作を説明します。 さらに,アルゴリズムの性能評価のための計算実験を行い,これを他の最先端ルール帰納手法と比較する。 比較的短いルールからなる小さなルールセットを作成しながら、我々のアルゴリズムはより正確であることがわかった。 今後の仕事の方向性を概説して、論文を締めくくります。

関連論文リスト

• Bregman-divergence-based Arimoto-Blahut algorithm [53.64687146666141]
  本稿では,Arimoto-BlahutアルゴリズムをBregman-Diversergenceシステム上で定義された一般関数に一般化する。 本稿では,古典的および量子速度歪み理論に適用可能な凸最適化自由アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-10T06:16:24Z)
• Learning the Positions in CountSketch [49.57951567374372]
  本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。 本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-11T07:28:35Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Efficient learning of large sets of locally optimal classification rules [0.0]
  従来のルール学習アルゴリズムは、単純なルールの集合を見つけることを目的としており、各ルールは可能な限り多くの例をカバーする。 本稿では、この方法で発見されたルールは、それらがカバーする例のそれぞれに対して最適な説明ではないかもしれないと論じる。 本稿では,1つの特殊化ループと1つの一般化ループからなるグリーディ最適化において,各トレーニング例をカバーする最良のルールを見つけることを目的とした,効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-01-24T11:40:28Z)
• Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
  Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。 本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
  論文  参考訳（メタデータ） (2022-12-22T17:40:13Z)
• The no-free-lunch theorems of supervised learning [0.0]
  no-free-lunch定理は、あらゆる可能な機械学習アルゴリズムが正当性を欠いているという懐疑的な結論を促進する。 多くの標準学習アルゴリズムはモデルに依存して理解されるべきである。
  論文  参考訳（メタデータ） (2022-02-09T15:24:30Z)
• A Clustering and Demotion Based Algorithm for Inductive Learning of Default Theories [4.640835690336653]
  正および負の例から非単調論理プログラムを誘導するクラスタリングとデモーションに基づくアルゴリズムKmeans-FOLDを提案する。 本アルゴリズムは,FOLDアルゴリズムと比較して,より簡潔な論理プログラムを生成する。 UCIデータセットの実験では、K-Meansクラスタリングと当社のデモーション戦略の組み合わせによって、複数の肯定的な例のクラスタを持つデータセットに対して、大幅な改善が達成されている。
  論文  参考訳（メタデータ） (2021-09-26T14:50:18Z)
• The Bayesian Learning Rule [14.141964578853262]
  我々は、多くの機械学習アルゴリズムが、emphBayesian Learning Ruleと呼ばれる単一のアルゴリズムの特定の例であることを示した。 この規則はベイズ原理から派生したもので、最適化、ディープラーニング、グラフィカルモデルといった分野から幅広いアルゴリズムが得られる。
  論文  参考訳（メタデータ） (2021-07-09T17:28:55Z)
• The Implications of the No-Free-Lunch Theorems for Meta-induction [1.4431534196506413]
  no-free-lunch theorems (NFL) は (meta) 誘導の問題に大きく影響する。 代わりに誘導アルゴリズムの一般化誤差間の統計的相関を懸念する無料のランチの豊富なセットがあります。 シュルツが提唱する先行は、ビットパターンよりもビット周波数に一様であり、統計物理学における何千もの実験によって矛盾している。
  論文  参考訳（メタデータ） (2021-03-22T15:53:00Z)
• RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
  本稿では知識グラフに基づく推論のための論理規則の学習について研究する。 論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。 既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
  論文  参考訳（メタデータ） (2020-10-08T14:47:02Z)
• 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)

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。