Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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