基于反标准尺度的属性选择
人工智能
2021-07-02 v2 机器学习
摘要
形式概念分析（FCA）通过推导概念并将其有序排列于格中来分析二值数据。FCA 的主要目标之一是使人能够理解封装于数据中的信息；然而，概念格的庞大尺寸限制了理解底层结构属性的可行性。此类格的大小取决于相应形式背景中与高维反标准尺度同构的子背景数量。本工作中，我们提出算法 ContraFinder，可计算给定形式背景的所有反标准尺度。利用该算法，我们引入 delta-adjusting，一种通过选择合适属性子集来减少形式背景中反标准尺度数量的新方法。我们证明了 delta-adjusting 一个背景可缩减由此产生的子半格的大小，且蕴含集被限制为有意义的蕴含。通过分类任务就其关联知识进行了评估。因此，我们提出的技术在保留重要概念结构的同时显著提升了可理解性。
引用
@article{arxiv.2106.10978,
title = {Attribute Selection using Contranominal Scales},
author = {Dominik Dürrschnabel and Maren Koyda and Gerd Stumme},
journal= {arXiv preprint arXiv:2106.10978},
year = {2021}
}
备注
17 pages, 2 figures, 3 tables, 1 algorithm, 26th International Conference on Conceptual Structures