論文の概要: CNC-TP: Classifier Nominal Concept Based on Top-Pertinent Attributes

• arxiv url: http://arxiv.org/abs/2601.01976v1
• Date: Mon, 05 Jan 2026 10:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.96655
• Title: CNC-TP: Classifier Nominal Concept Based on Top-Pertinent Attributes
• Title（参考訳）: CNC-TP:トップパーセンテント属性に基づく名詞概念
• Authors: Yasmine Souissi, Fabrice Boissier, Nida Meddouri,
• Abstract要約: データベースにおける知識発見は、コンピュータアプリケーションの様々な領域で毎日生成される膨大な量のデータを活用することを目的としている。 その目的は、構造化プロセスを通じてデータセットから隠れた意味のある知識を抽出することである。 中心となるデータマイニング技術には、分類とクラスタリングがある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Discovery in Databases (KDD) aims to exploit the vast amounts of data generated daily across various domains of computer applications. Its objective is to extract hidden and meaningful knowledge from datasets through a structured process comprising several key steps: data selection, preprocessing, transformation, data mining, and visualization. Among the core data mining techniques are classification and clustering. Classification involves predicting the class of new instances using a classifier trained on labeled data. Several approaches have been proposed in the literature, including Decision Tree Induction, Bayesian classifiers, Nearest Neighbor search, Neural Networks, Support Vector Machines, and Formal Concept Analysis (FCA). The last one is recognized as an effective approach for interpretable and explainable learning. It is grounded in the mathematical structure of the concept lattice, which enables the generation of formal concepts and the discovery of hidden relationships among them. In this paper, we present a state-of-theart review of FCA-based classifiers. We explore various methods for computing closure operators from nominal data and introduce a novel approach for constructing a partial concept lattice that focuses on the most relevant concepts. Experimental results are provided to demonstrate the efficiency of the proposed method.
• Abstract（参考訳）: Knowledge Discovery in Databases (KDD) は、コンピュータアプリケーションの様々な領域で毎日生成される膨大な量のデータを活用することを目的としている。 その目的は、データ選択、前処理、変換、データマイニング、可視化という、いくつかの重要なステップからなる構造化プロセスを通じて、データセットから隠れた意味のある知識を抽出することである。 中心となるデータマイニング技術には、分類とクラスタリングがある。 分類には、ラベル付きデータでトレーニングされた分類器を使用して、新しいインスタンスのクラスを予測することが含まれる。 論文では、決定木誘導、ベイズ分類器、最近傍探索、ニューラルネットワーク、サポートベクトルマシン、形式概念解析(FCA)など、いくつかのアプローチが提案されている。 最後の1つは、解釈可能で説明可能な学習のための効果的なアプローチとして認識されている。 これは、形式的な概念の生成とそれらの間の隠れた関係の発見を可能にする概念格子の数学的構造に基礎を置いている。 本稿では FCA を用いた分類器の現状について述べる。 本稿では,名目データからクロージャ演算子を計算するための様々な手法を探求し,最も関連する概念に焦点をあてた部分的概念格子を構築するための新しいアプローチを提案する。 提案手法の有効性を示す実験結果を得た。

関連論文リスト

• ConceptScope: Characterizing Dataset Bias via Disentangled Visual Concepts [54.60525564599342]
  ConceptScopeは、ビジュアルデータセットを分析するためのスケーラブルで自動化されたフレームワークである。 概念を、その意味的関連性とクラスラベルとの統計的相関に基づいて、ターゲット、コンテキスト、バイアスタイプに分類する。 既知のバイアスを確実に検出し、未発表のバイアスを発見できる。
  論文  参考訳（メタデータ） (2025-10-30T06:46:17Z)
• ConExion: Concept Extraction with Large Language Models [0.6472397166280683]
  本稿では,事前学習型大言語モデル(LLM)を用いた文書からの概念抽出手法を提案する。 私たちのアプローチは、重要なドメインだけでなく、特定のドメインに関連するすべての概念を抽出する、より困難なタスクに取り組みます。
  論文  参考訳（メタデータ） (2025-04-17T13:05:14Z)
• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• XAI for Self-supervised Clustering of Wireless Spectrum Activity [0.5809784853115825]
  本稿では,深層クラスタリング,自己教師型学習アーキテクチャの方法論を提案する。 表現学習部では,入力データの関心領域の解釈にガイドバックプロパゲーションを用いる。 クラスタリングの部分は、クラスタリングの結果を説明するために、Shallow Treesに依存しています。 最後に、データ固有の視覚化部は、各クラスタと入力データとの接続を関連機能をトラフすることを可能にする。
  論文  参考訳（メタデータ） (2023-05-17T08:56:43Z)
• DetCLIP: Dictionary-Enriched Visual-Concept Paralleled Pre-training for Open-world Detection [118.36746273425354]
  本稿では,デザインされた概念辞書から知識の豊かさを生かして,オープンワールド検出のための並列視覚概念事前学習手法を提案する。 概念をそれらの記述で豊かにすることにより、オープンドメイン学習を促進するために、さまざまな概念間の関係を明確に構築する。 提案フレームワークは、例えばLVISデータセット上で、強力なゼロショット検出性能を示し、私たちのDetCLIP-TはGLIP-Tを9.9%向上させ、レアカテゴリで13.5%改善した。
  論文  参考訳（メタデータ） (2022-09-20T02:01:01Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• A Survey on Concept Factorization: From Shallow to Deep Representation Learning [104.78577405792592]
  概念因子化(CF)は、機械学習とデータマイニングの分野で大きな関心を集めています。 まず、ルートCF法を再検討し、CFに基づく表現学習の進歩について検討する。 また、CFベースの手法の潜在的な適用領域についても紹介する。
  論文  参考訳（メタデータ） (2020-07-31T04:19:14Z)

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。