[論文レビュー] A Knowledge Mining Model for Ranking Institutions using Rough Computing with Ordering Rules and Formal Concept analysis

D. P. Acharjya, L. Ezhilarasi|arXiv (Cornell University)|Aug 9, 2011

Rough Sets and Fuzzy Logic参考文献 11被引用数 24

ひとこと要約

本論文は、前処理に rough computing と intuitionistic fuzzy approximation space および順序ルールを統合し、後処理に formal concept analysis (FCA) を用いるハイブリッド知識マイニングモデルを提案する。このアプローチにより、不一致、数値的、曖昧なデータを効果的に処理し、意味のある意思決定要因を抽出することで、複雑な情報システムにおける知識発見を向上させる。

ABSTRACT

Emergences of computers and information technological revolution made tremendous changes in the real world and provides a different dimension for the intelligent data analysis. Well formed fact, the information at right time and at right place deploy a better knowledge.However, the challenge arises when larger volume of inconsistent data is given for decision making and knowledge extraction. To handle such imprecise data certain mathematical tools of greater importance has developed by researches in recent past namely fuzzy set, intuitionistic fuzzy set, rough Set, formal concept analysis and ordering rules. It is also observed that many information system contains numerical attribute values and therefore they are almost similar instead of exact similar. To handle such type of information system, in this paper we use two processes such as pre process and post process. In pre process we use rough set on intuitionistic fuzzy approximation space with ordering rules for finding the knowledge whereas in post process we use formal concept analysis to explore better knowledge and vital factors affecting decisions.

研究の動機と目的

• 大規模情報システムから得られる不一致および曖昧なデータを用いて、学術機関の順位付けを実現する課題に対処すること。
• 数値的属性が類似しているが同一ではないデータ豊富な環境における知識発見を改善すること。
• 前処理に rough computing を、後処理に formal concept analysis を統合した堅牢なフレームワークを構築すること。
• 構造化されたデータ分析を通じて、機関順位付けに影響を与える重要な要因を特定すること。
• データ前処理に intuitionistic fuzzy sets と順序ルールを統合することで、意思決定の正確性を向上させること。

提案手法

• 前処理では、数値データの不確実性および不一致を処理するために intuitionistic fuzzy approximation space を使用する。
• 順序ルールが前処理段階で属性値の順位付けと優先順位付けに適用される。
• rough set theory を用いてコア知識を抽出し、データの複雑さを低減する。
• 後処理では formal concept analysis (FCA) を適用し、階層的関係および概念的構造を発見する。
• FCA の統合により、機関順位付けに影響を与える顕著な属性クラスタの特定が可能になった。
• rough set に基づく削減と FCA に基づく概念ラティス構築を統合し、包括的な知識抽出を実現する。

実験結果

リサーチクエスチョン

• RQ1 機関データベースにおける不一致および曖昧な数値的データを、順位付けに効果的に処理する方法は何か？
• RQ2 順序ルールと intuitionistic fuzzy sets は、知識マイニングのためのデータ前処理をどのように改善するか？
• RQ3 formal concept analysis は、抽出された知識の解釈可能性と構造をどのように向上させるか？
• RQ4 ハイブリッドモデルが明らかにする、機関順位付けに影響を与える重要な要因は何か？
• RQ5 rough computing と FCA の統合は、機関評価における意思決定の正確性を向上させることができるか？

主な発見

• 提案されたモデルは、intuitionistic fuzzy sets と rough computing を統合することで、不一致および数値的に類似したデータを効果的に処理した。
• 順序ルールは、前処理段階における属性の順位付けと優先順位付けを顕著に改善した。
• formal concept analysis は、機関属性間の意味のある概念的階層と関係を明らかにした。
• rough computing と FCA の統合により、抽出された知識の解釈可能性と品質が向上した。
• モデルは、機関パフォーマンスに影響を与える重要な要因を特定することで、意思決定支援を改善した。
• 不確実性と曖昧さを伴う現実世界のデータ環境における機関順位付けに対して、堅牢なソリューションを提供する。