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

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription or Fee Access

Abstract

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.

About the authors

M. M Zueva

Научно-исследовательский университет “Высшая школа экономики”

Email: m.zueva@hse.ru
Москва

S. O Kuznetsov

Научно-исследовательский университет “Высшая школа экономики”

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

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 The Russian Academy of Sciences