Comparison of Two Neural Networks Approaches to Boolean Matrix Factorization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F09%3A00328074" target="_blank" >RIV/67985807:_____/09:00328074 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Comparison of Two Neural Networks Approaches to Boolean Matrix Factorization

Popis výsledku v původním jazyce

In this paper we compare two new neural networks methods, aimed at solving the problem of optimal binary matrix Boolean factorization or Boolean factor analysis. Neural network based Boolean factor analysis is a suitable method for a very large binary data sets mining including web. Two types of neural networks based Boolean factor analyzers are analyzed. One based on feed forward neural network and second based on Hopfield-like recurrent neural network. We show that both methods give good results whenprocessed data have a simple structure. But as the complexity of data structure grows, method based on feed forward neural network loses the ability to solve the Boolean factor analysis. In the method, based on the Hopfield like recurrent neural network,this effect is not observed.

Název v anglickém jazyce

Comparison of Two Neural Networks Approaches to Boolean Matrix Factorization

Popis výsledku anglicky

In this paper we compare two new neural networks methods, aimed at solving the problem of optimal binary matrix Boolean factorization or Boolean factor analysis. Neural network based Boolean factor analysis is a suitable method for a very large binary data sets mining including web. Two types of neural networks based Boolean factor analyzers are analyzed. One based on feed forward neural network and second based on Hopfield-like recurrent neural network. We show that both methods give good results whenprocessed data have a simple structure. But as the complexity of data structure grows, method based on feed forward neural network loses the ability to solve the Boolean factor analysis. In the method, based on the Hopfield like recurrent neural network,this effect is not observed.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2009

Kód důvěrnosti údajů

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

Název statě ve sborníku

Networked Digital Technologies

ISBN

978-1-4244-4614-8

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

IEEE Computer Society

Místo vydání

Los Alamitos

Místo konání akce

Ostrava

Datum konání akce

29. 7. 2009

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—