Estimation of Boolean Factor Analysis Performance by Informational Gain

0335028 - ÚI 2010 RIV DE eng C - Konferenční příspěvek (zahraniční konf.)
Frolov, A. - Húsek, Dušan - Polyakov, P.Y.
Estimation of Boolean Factor Analysis Performance by Informational Gain.
[Ocenění efektivnosti booleovské faktorové analýzy pomocí informačního zisku.]
Advances in Intelligent Web Mastering - 2. Berlin: Springer, 2010 - (Snášel, V.; Szczepaniak, P.; Abraham, A.; Kacprzyk, J.), s. 83-94. Advances in Intelligent and Soft Computing, 67. ISBN 978-3-642-10686-6.
[AWIC 2009. Atlantic Web Intelligence Conference /6./. Prague (CZ), 09.09.2009-11.09.2009]
Výzkumný záměr: CEZ:AV0Z10300504
Klíčová slova: Boolean factor analysis * informational gain * Hopfield-like network
Kód oboru RIV: IN - Informatika

To evaluate the soundness of multidimensional binary signal analysis based on Boolean factor analysis theory and mainly of its neural network implementation, proposed is a universal measure - informational gain. This measure is derived using classical informational theory results. Neural network based Boolean factor analysis method efficiency is demonstrated using this measure, both when applied to Bars Problem benchmark data and to real textual data. It is shown that when applied to the well defined Bars Problem data, Boolean factor analysis provides informational gain close to its maximum, i.e. the latent structure of the testing images data was revealed with the maximal accuracy. For scientific origin real textual data the informational gain provided by the method happened to be much higher comparing to that based on human experts proposal.

Je navržena univerzální míra - informační zisk - pro vyhodnocení správnosti a kvality rozkladu vícerozměrných binárních signálů pomocí booleovské faktorové analýzy pomocí neuronové sítě. Tato míra je odvozena na základě výsledků klasické teorie informace. S jejím užitím je prokázána kvalita Booleovské faktorové analýzy touto metodou, a to jak při použití standardního syntetického testu tak i na souboru reálných textových dat. Je zde prokázáno, že při aplikaci na dobře definovaný syntetický problém (Bars Problem), Booleovská faktorová analýza poskytuje téměř maximální informační zisk, tj. že latentní struktura dat testovacích dat byla tedy odhalena s maximální přesností. I u analýzy reálných textových dat vědecké původu bylo dosaženo mnohem vyššího informačního zisku ve srovnání s klasifikací na základě návrhu expertů.
Trvalý link: http://hdl.handle.net/11104/0179612