کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6858796 1438408 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Handling noise in Boolean matrix factorization
ترجمه فارسی عنوان
سر و صدای اداره در تقسیم بندی ماتریس بولین
کلمات کلیدی
تقسیم ماتریس بولین، الگوریتم ها، نویز در داده های بولین،
ترجمه چکیده
یکی از چالش های ارائه شده توسط تقسیم بندی ماتریس بولی، شامل آنچه که توانایی برخورد با نویز در داده ها نامیده می شود، می باشد. در این مقاله، ما انتقادی از ملاحظات موجود در مورد سر و صدا، نتایج گزارش شده در مورد توانایی الگوریتم های مختلف برای مقابله با سر و صدا، و رویکردهای مورد استفاده برای ارزیابی این توانایی را مورد بررسی قرار دادیم. ما استدلال می کنیم که درک کنونی به چند نکته توسعه یافته است و به ویژه اینکه روش کنونی برای ارزیابی توانایی اداره نویز در داده ها کمبود است. ما یک روش جدید و کمی برای ارزیابی این توانایی ارائه می دهیم. روش ما براساس یک تعریف جامع از استحکام است که نیاز به این دارد که فاکتورهای محاسبه شده از داده ها با تغییر دادن نویز در داده ها زیاد تأثیری نداشته باشند. ما یک ارزیابی تجربی از چندین الگوریتم ارائه می دهیم و نتایج را با مشاهدات موجود در ادبیات مقایسه می کنیم. آزمایشات خواص مهمی این الگوریتم ها را در ارتباط با سر و صدایی نشان می دهند. علاوه بر ارائه توجیه متدولوژیکی برخی از خواص ادعا شده در ادبیات بدون توجیه مناسب، آنها ویژگی هایی را که گزارش نشده اند و همچنین خواصی که برخلاف ادعاهای خاصی که در ادبیات ارائه شده است، نشان می دهد. نکته مهم این است که رویکرد ما نشان می دهد که یک خط جداساز قوی از صدا از الگوریتم های حساس به صدا، که توسط روش های قبلی نشان داده نشده است. ما با مشخص کردن مسائل باز که منجر به ملاحظات و آزمایش های کنونی می شوند، نتیجه گیری می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
One of the challenges presented by Boolean matrix factorization consists in what became known as the ability to deal with noise in data. In this paper, we critically examine existing considerations regarding noise, reported results regarding various algorithms' ability to deal with noise, and approaches used to evaluate this ability. We argue that the current understanding is underdeveloped in several respects and, in particular, that the present way to assess the ability to handle noise in data is deficient. We provide a new, quantitative way to assess this ability. Our method is based on a common-sense definition of robustness requiring that the factorizations computed from data should not be affected much by varying the noise in the data. We present an experimental evaluation of several algorithms, and compare the results to the observations available in the literature. The experiments reveal important properties of these algorithms as regards handling noise. In addition to providing methodological justification of some properties claimed in the literature without proper justification, they reveal properties which were not reported as well as properties which counter certain claims made in the literature. Importantly, our approach reveals a line separating robust-to-noise from sensitive-to-noise algorithms, which has not been revealed by the previous approaches. We conclude by outlining open problems to which the present considerations and experiments lead.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Approximate Reasoning - Volume 96, May 2018, Pages 78-94
نویسندگان
, ,