.png){kind=icon}
返回
Dynamic-unit discrete hopfield neural network with supervised preprocessing phase: Optimizing the logic mining using S-type random 2 satisfiability for classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131373.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
逻辑挖掘是数据挖掘的一个专门领域，通过考察数据集的底层行为来提取逻辑规则。然而，许多现有模型的一个关键局限性在于其对确保用于知识提取的已处理数据质量关注不足。这通常导致在衍生结果的透明度和可靠性方面产生挑战。因此，保持稳健的数据质量、可靠性和可用性对于生成有意义且可解释的知识至关重要。本文介绍了一种新颖的逻辑挖掘模型，旨在通过捕获所有最优解来提升诱导逻辑的数量和质量。所提出的模型包含一个监督预处理阶段，利用Elastic Net正则化进行稳健的特征选择，以识别最优属性。为增强逻辑多样性，引入了一种非系统性S型随机2可满足性结构，该结构由反映数据集特征的概率分布指导。这种概率逻辑在一个新颖的动态单元离散Hopfield神经网络中运行，该网络通过动态内容寻址存储单元确保全面覆盖解空间，从而产生多样且最优的诱导逻辑规则。此外，检索阶段中开发的一种新型移位算子有助于在最终的诱导逻辑中对属性进行最优排列。实验评估表明，所提出的模型显著优于现有方法，达到准确率82 %、特异度99.8%和阴性预测值85.6%。这些发现强调了监督预处理阶段的有效性、非系统性概率结构的实现以及动态单元网络在提升逻辑挖掘能力方面的效率。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
The Benefits of the Matthews Correlation Coefficient (MCC) Over the Diagnostic Odds Ratio (DOR) in Binary Classification Assessment.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Amazon Employees Resources Access Data Extraction via Clonal Selection Algorithm and Logic Mining ApproachAmazon员工资源通过克隆选择算法和逻辑挖掘方法访问数据提取Entropy
OAAI
EntropyIF0
OAAI分享收藏A modified reverse-based analysis logic mining model with Weighted Random 2 Satisfiability logic in Discrete Hopfield Neural Network and multi-objective training of Modified Niched Genetic Algorithm离散Hopfield神经网络中带加权随机2可满足逻辑的改进逆向分析逻辑挖掘模型和改进小空间遗传算法的多目标训练
PREAI
分享收藏Unsupervised logic mining with a binary clonal selection algorithm in multi-unit discrete Hopfield neural networks via weighted systematic 2 satisfiability基于加权可满足性问题2的二元克隆选择算法在多单元离散霍普菲尔德神经网络中的无监督逻辑挖掘
IF0
PREAI
分享收藏
查看更多内容