論文の概要: Optimising the attribute order in Fuzzy Rough Rule Induction

• arxiv url: http://arxiv.org/abs/2506.02805v1
• Date: Tue, 03 Jun 2025 12:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.623917
• Title: Optimising the attribute order in Fuzzy Rough Rule Induction
• Title（参考訳）: ファジィラフルール誘導における属性順序の最適化
• Authors: Henri Bollaert, Chris Cornelis, Marko Palangetić, Salvatore Greco, Roman Słowiński,
• Abstract要約: ファジィ粗集合理論に基づく新しい規則帰納法であるFRRIを導入した。 FRRIは,ルールの精度や数に関して,他のルール誘導法よりも優れていることを示した。 本稿では、既知の手法を用いて属性の順序だけを最適化しても、複数のメトリクス上でのFRRIの性能は向上しないことを示す。
• 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 pivotal frontier in machine learning research. In the pursuit of glass box models - as opposed to black box models, like random forests or neural networks - rule induction algorithms are a logical and promising avenue, as the rules can easily be understood by humans. In our previous work, we introduced FRRI, a novel rule induction algorithm based on fuzzy rough set theory. We demonstrated experimentally that FRRI outperformed other rule induction methods with regards to accuracy and number of rules. FRRI leverages a fuzzy indiscernibility relation to partition the data space into fuzzy granules, which are then combined into a minimal covering set of rules. This indiscernibility relation is constructed by removing attributes from rules in a greedy way. This raises the question: does the order of the attributes matter? In this paper, we show that optimising only the order of attributes using known methods from fuzzy rough set theory and classical machine learning does not improve the performance of FRRI on multiple metrics. However, removing a small number of attributes using fuzzy rough feature selection during this step positively affects balanced accuracy and the average rule length.
• Abstract（参考訳）: 解釈可能性(Interpretability)は、機械学習研究における次の重要な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、ガラスボックスモデルの追求において、ルール誘導アルゴリズムは論理的で有望な道であり、ルールは人間によって容易に理解できる。 ファジィ粗集合理論に基づく新しい規則帰納法であるFRRIを導入した。 FRRIは,ルールの正確性や数に関して,他のルール誘導法よりも優れた性能を示した。 FRRIはファジィ不明瞭な関係を利用して、データ空間をファジィグラニュラーに分割し、最小限のルールに結合する。 この不明瞭な関係は、規則からの属性を残酷な方法で取り除くことによって構築される。 属性の順序は重要か? 本稿では,ファジィ粗集合理論と古典的機械学習から既知の手法を用いて属性の順序だけを最適化しても,FRRIの性能は向上しないことを示す。 しかし, この段階におけるファジィ粗さの特徴選択による少数の属性の除去は, バランスの取れた精度と平均ルール長に肯定的な影響を及ぼす。

関連論文リスト

• Crisp complexity of fuzzy classifiers [0.7874708385247353]
  我々は、異なる可能なクリップ記述を研究し、それらを得るアルゴリズムを実装した。 我々の結果はファジィと非ファジィの両方の実践者が、ファジィルールベースが機能空間を分割する方法をよりよく理解するのに役立ちます。
  論文  参考訳（メタデータ） (2025-04-22T11:06:25Z)
• Neuro-Symbolic Rule Lists [31.085257698392354]
  NeuRulesは、識別、ルール学習、ルール順序を単一のフレームワークに統合するエンドツーエンドのトレーニング可能なモデルである。 我々は、NeuRulesがニューラルシンボリックな手法を一貫して上回り、幅広いデータセットにわたって、シンプルで複雑なルールとそれらの順序を効果的に学習していることを示す。
  論文  参考訳（メタデータ） (2024-11-10T11:10:36Z)
• FRRI: a novel algorithm for fuzzy-rough rule induction [0.8575004906002217]
  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。
  論文  参考訳（メタデータ） (2024-03-07T12:34:03Z)
• Implicitly normalized forecaster with clipping for linear and non-linear heavy-tailed multi-armed bandits [85.27420062094086]
  Implicitly Normalized Forecaster (INF) は、敵対的マルチアームバンディット(MAB)問題に対する最適解であると考えられている。 重み付き設定のMAB問題に対するクリッピング(INFclip)を用いたINFの新バージョン"Implicitly Normalized Forecaster"を提案する。 INFclipは線形重み付きMAB問題に対して最適であり、非線形問題に対して有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-11T12:00:43Z)
• 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)
• ELM: Embedding and Logit Margins for Long-Tail Learning [70.19006872113862]
  長期学習はスキューラベル分布下での学習の問題である。 本稿では,ロジット空間にマージンを強制するための統一アプローチであるEmbedding and Logit Margins(ELM)を提案する。 The ELM method are shown to be well empirically, and result to tight more tail class embeddeds。
  論文  参考訳（メタデータ） (2022-04-27T21:53:50Z)
• Choquet-Based Fuzzy Rough Sets [2.4063592468412276]
  ファジィ粗集合論(ファジィ粗集合論、英: Fuzzy rough set theory)は、オブジェクト間の不明瞭性という段階的な概念があるときに、一貫性のないデータを扱うための道具として用いられる。 この問題を緩和するために、順序付き重み付き平均(OWA)ベースのファジィ粗集合を導入した。 あいまいな定量化の観点から OWA ベースのアプローチを直観的に解釈し,それを Choquet ベースのファジィ粗集合に一般化する方法を示す。
  論文  参考訳（メタデータ） (2022-02-22T13:10:16Z)
• LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking [62.634516517844496]
  本稿では,解釈可能なルールとニューラルネットワークの性能を併用したニューラルシンボリックアプローチであるLNN-ELを提案する。 ルールの使用に制約があるにもかかわらず、LNN-ELはSotAのブラックボックスニューラルアプローチと競合する。
  論文  参考訳（メタデータ） (2021-06-17T20:22:45Z)
• 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)

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。