Učinkovit iterativni algoritem učenja razložljivih značilnic za izboljšano klasifikacijo : doktorska disertacija

Vlahek, Dino

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Učinkovit iterativni algoritem učenja razložljivih značilnic za izboljšano klasifikacijo : doktorska disertacija
Avtorji:	ID Vlahek, Dino (Avtor) ID Mongus, Domen (Mentor) Več o mentorju...
Datoteke:	DOK_Vlahek_Dino_2024.pdf (1,22 MB) MD5: 27C6007CB133CDB724E20B8AE16A173C
Jezik:	Slovenski jezik
Vrsta gradiva:	Doktorsko delo/naloga
Tipologija:	2.08 - Doktorska disertacija
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	V doktorski disertaciji opišemo nov postopek učenja razložljivih značilnic za klasifikacijske namene. Značilnice med vsako iteracijo rekombiniramo na osnovi vnaprej podanih aritmetičnih operacij, ocenimo pa jih glede na njihovo primernosti za klasifikacijo. Slednja temelji na prekrivanju porazdelitve verjetnosti med vrednostmi vzorcev, ki pripadajo različnim razredom. Za nadaljnji razvoj v naslednjo iteracijo izberemo podmnožico najbolj kakovostnih nekoreliranih značilnic z uporabo nove metode, ki temelji na rezu grafa. Pri tem se postopek opira na dva vhoda parametra, ki omogočata nadzor nad številom členov izhodnih značilnic. Prvi opisuje minimalno sprejemljivo kakovost značilnic, ki jih je treba vključiti v izhodni prostor značilnic, medtem ko drugi določa najvišjo dovoljeno stopnjo podobnosti med značilnicama. Rezultati pokažejo, da je metoda nizko občutljiva na oba vhodna parametra. Naučene značilnice pa statistično značilno izboljšajo klasifikacijsko točnost vseh testiranih klasifikatorjev, medtem ko najboljše točnosti dosežemo z uporabo klasifikatorja naključnih gozdov. Z rezultati primerjave pokažemo, da je predlagani postopek v vseh testnih primerih dosegal ali presegal klasifikacijske točnosti trenutnega stanje tehnike. Prav tako pokažemo tudi pravilnost razlage naučenih značilnic dobro preučene množice testnih podatkov.
Ključne besede:	klasifikacija podatkov, razložljiva umetna inteligenca, učenje značilnic, odkrivanje znanja
Kraj izida:	Maribor
Kraj izvedbe:	Maribor
Založnik:	[D. Vlahek]
Leto izida:	2024
Št. strani:	IX, 87 str.
PID:	20.500.12556/DKUM-86582
UDK:	004.85.021(043.3)
COBISS.SI-ID:	194558723
Datum objave v DKUM:	07.05.2024
Število ogledov:	651
Število prenosov:	162
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:	Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:	18.12.2023

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	An efficient iterative approach to explainable feature learning for improved classification
Opis:	This dissertation considers a new procedure for learning interpretable features for classification purposes. The features are recombined during each iteration based on predefined arithmetic operations and evaluated according to their suitability for classification. The latter is based on overlapping probability distributions between feature's samples belonging to different classes. For further development in the next iteration, we select a subset of the best quality uncorrelated features using a new method based on a graph cut. Here, the procedure is based on two-parameter input, which allows control over the number of terms of the output features. The first describes the minimum acceptable quality of features that must be included in the output feature space, while the second defines the maximum allowed degree of similarity between features. The experiments display the method's low sensitivity to both input parameters. On the other hand, the learned features statistically significantly improve the classification accuracy of all tested classifiers, while the random forest classifier achieves the best accuracies. As confirmed by experiments, the proposed method achieved or exceeded the classification accuracies of the current state of the art in all test cases. We have also demonstrated the correctness of interpreting the learned features of a well-studied test data set.
Ključne besede:	data classification, explainable artificial intelligence, feature learning, knowledge discovery

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj