Interestingness Indices as an Instrument for Selecting Formal Concepts for Building Neural Network Based on Concept Lattice

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Acesso é pago ou somente para assinantes

Resumo

Трудность интерпретации результатов работы нейронных сетей явля- ется насущной проблемой, решению которой уделяется много внимания. Нейронные сети, основанные на решетках понятий, представляют собой перспективное направление в данной области. Отбор понятий для по- строения нейронной сети ключевым образом влияет на качество ее рабо- ты. Средством отбора понятий могут являться индексы интересности, ко- гда для построения нейронной сети используются понятия с наибольшими показателями определенного индекса. В статье исследуется влияние вы- бора индекса интересности как средства отбора формальных понятий на качество работы нейронной сети.

Sobre autores

M. Zueva

Научно-исследовательский университет “Высшая школа экономики”

Email: m.zueva@hse.ru
Москва

S. Kuznetsov

Научно-исследовательский университет “Высшая школа экономики”

Email: skuznetsov@hse.ru
д-р физ. мат. наук Москва

Bibliografia

  1. Tsopze N., Nguifo E.M., Tindo G. CLANN: Concept lattice-based artificial neural network for supervised classification // The Fifth International Conference on Concept Lattices and Their Applications. 2007. P. 24–26.
  2. Kuznetsov S.O., Makhazhanov N., Ushakov M. On neural network architecture based on concept lattices // ISMIS 2017. P. 653–663.
  3. Kuznetsov S.O., Makhalova T.P. Concept interestingness measures: a comparative study // Proceedings of the Twelfth International Conference on Concept Lattices and Their Applications. 2015. P. 59–72.
  4. Kuznetsov S.O., Makhalova T.P. On interestingness measures of formal concepts // Inf. Sci. 442. 2018. P. 202–219.
  5. Ganter B., Wille R. Contextual attribute logic / International Conference on Conceptual Structures. 1999. P. 377–388.
  6. Rosch E. Basic objects in natural categories // Cognitive Psychology 8. 1976. P. 382–439.
  7. Belohlavek R., Trnecka M. Basic level of concepts in formal concept analysis // ICFCA 2012. P. 28–44.
  8. Buzmakov Al., Kuznetsov S.O., Amedeo Napoli. Scalable Estimates of Concept Stability // ICFCA 2014. P. 157–172.
  9. Zaki M.J., Meira W., Jr. Data Mining and Analysis: Fundamental Concepts and Algorithms // Cambridge University Press. 2014. P. 339.
  10. Makhalova T. Interesting Measures of Closed Patterns for Data Mining and Knowledge Discovery // HSE University, Moscow, Russia. 2020. P. 25.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © The Russian Academy of Sciences, 2024