Boolean Factor Analysis by Attractor Neural Network

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F07%3A00083501" target="_blank" >RIV/67985807:_____/07:00083501 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

angličtina

Original language name

Boolean Factor Analysis by Attractor Neural Network

Original language description

A common problem encountered in disciplines such as statistics, data analysis, signal processing, textual data representation, and neural network research, is finding a suitable representation of the data in the lower dimension space. One of the principles used for this reason is a factor analysis. In this paper, we show that Hebbian learning and a Hopfield-like neural network could be used for a natural procedure for Boolean factor analysis (BFA). To ensure efficient BFA, we propose our original modification not only of Hopfield network architecture but also its dynamics as well. In this paper, we describe neural network implementation of the BFA method. We show the advantages of our Hopfield-like network modification step by step on artificially generated data. At the end, we show the efficiency of the method on artificial data containing a known list of factors. Our approach has the advantage of being able to analyze very large data sets while preserving the nature of the data.

Czech name

Boolevská faktorová analýza pomocí atraktorové neuronové sítě

Czech description

Společný problém, který se objevuje např. ve statistice , analýze dat, zpracování signálů, v oblastech textových dokumentů a neuronových sítích je nalezení vhodné reprezentace dat v prostoru nižší dimenze. Jedním z principů použitelných pro tuto úlohu jefaktorová analýza. V tomto článku je ukázáno, že Hebbovské učení a Hopfieldově podobná neuronová síť může být použita jako přirozená procedura pro Booleovskou faktorovou analýzu. Pro zajištění efektivního výpočtu Booleovské faktorové analýzy, uvádíme naší originální modifikaci nejen architektury Hopfieldovy neuronové sítě, ale též její dynamiky. Detailně je popsána implementace neuronové sítě řešící úlohu Booleovské faktorové analýzy. Výhody našeho postupu založeného na modifikaci Hopfieldově podobné síti jsou ukázány krok po kroku na uměle generovaných datech. Tento postup je výhodný zejména proto, že je vhodný pro analýzu rozsáhlých datových souborů (VLDS) a přitom zachovává povahu vztahů v datech.

Type

J_x - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)

CEP classification

BB - Applied statistics, operational research

OECD FORD branch

—

Project

Result was created during the realization of more than one project. More information in the Projects tab.

Continuities

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>Z - Vyzkumny zamer (s odkazem do CEZ)

Publication year

2007

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Name of the periodical

IEEE Transactions on Neural Networks

ISSN

1045-9227

e-ISSN

—

Volume of the periodical

18

Issue of the periodical within the volume

3

Country of publishing house

US - UNITED STATES

Number of pages

10

Pages from-to

698-707

UT code for WoS article

—

EID of the result in the Scopus database

—