Reducing Negative Impact of Noise in Boolean Matrix Factorization with Association Rules
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F21%3A73607821" target="_blank" >RIV/61989592:15310/21:73607821 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007%2F978-3-030-74251-5_29" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-030-74251-5_29</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-74251-5_29" target="_blank" >10.1007/978-3-030-74251-5_29</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Reducing Negative Impact of Noise in Boolean Matrix Factorization with Association Rules
Popis výsledku v původním jazyce
Boolean matrix factorization (BMF) is a well-established data analytical method whose goal is to decompose a single large matrix into two, preferably smaller, matrices, carrying the same or similar information as the original matrix. In essence, it can be used to reduce data dimensionality and to provide fundamental insight into data. Existing algorithms are often negatively affected by the presence of noise in the data, which is a common case for real-world datasets. We present an initial study on an algorithm for approximate BMF that uses association rules in a novel way to identify possible noise. This allows us to suppress the impact of noise and improve the quality of results. Moreover, we show that association rules provide a suitable framework allowing the handling of noise in BMF in a justified way.
Název v anglickém jazyce
Reducing Negative Impact of Noise in Boolean Matrix Factorization with Association Rules
Popis výsledku anglicky
Boolean matrix factorization (BMF) is a well-established data analytical method whose goal is to decompose a single large matrix into two, preferably smaller, matrices, carrying the same or similar information as the original matrix. In essence, it can be used to reduce data dimensionality and to provide fundamental insight into data. Existing algorithms are often negatively affected by the presence of noise in the data, which is a common case for real-world datasets. We present an initial study on an algorithm for approximate BMF that uses association rules in a novel way to identify possible noise. This allows us to suppress the impact of noise and improve the quality of results. Moreover, we show that association rules provide a suitable framework allowing the handling of noise in BMF in a justified way.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Intelligent Data Analysis XIX
ISBN
978-3-030-74250-8
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
11
Strana od-do
365-375
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
online
Datum konání akce
26. 4. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000722625800029