.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
多关系数据库是当今科学和工业领域大多数整合数据集合的基础。然而，大多数学习和挖掘算法要求数据以命题形式表示。虽然存在多种可以直接操作多关系数据集的专用机器学习算法，但命题化算法将多关系数据库转换为命题数据集，从而允许在不修改的情况下应用传统的机器学习与数据挖掘算法。一个突出的命题化算法是Krogel和Wrobel提出的RELAGGS，它通过嵌套聚合来转换数据。我们提出了一种基于RELAGGS精神的新神经网络算法，该算法采用可训练的复合聚合函数，而非原始方法中使用的静态聚合函数。通过这种方式，我们可以联合训练命题化与预测模型，或者，作为替代方案，将学习到的聚合作为其他算法中的嵌入。我们通过将N-RELAGGS与RELAGGS及多种其他最先进算法进行比较，证明了其预测性能的提升。
Keyword:
Network architecture
Propositionalization
Relational data mining
Aggregation
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
暂无机构信息
引用论文
Learning Aggregate Functions with Neural Networks Using a Cascade-Correlation Approach使用级联相关方法利用神经网络学习聚合函数.png)
PREAI
.png){kind=icon}
分享.png){kind=icon}
收藏ArnetMiner.png)
Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏Block-wise construction of tree-like relational features with monotone reducibility and redundancyMACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Forecast of Study Success in the STEM Disciplines Based Solely on Academic Records仅基于学业成绩的STEM学科学习成功预测
PREAI
分享收藏Neural networks for relational learning: an experimental comparison用于关系学习的神经网络: 实验比较MACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容