Comparison of Two Neural Networks Approaches to Boolean Matrix Factorization

0328074 - ÚI 2010 RIV US eng C - Conference Paper (international conference)
Polyakov, P.Y. - Frolov, A. A. - Húsek, Dušan
Comparison of Two Neural Networks Approaches to Boolean Matrix Factorization.
[Srovnání dvou neuronových přístupů k boolevským rozkladům matic.]
Networked Digital Technologies. Los Alamitos: IEEE Computer Society, 2009 - (Snášel, V.; Pokorný, J.; Pichappan, P.; El-Qawasmeh, E.), s. 316-321. ISBN 978-1-4244-4614-8.
[NDT 2009. International Conference on Networked Digital Technologies /1./. Ostrava (CZ), 29.07.2009-31.07.2009]
R&D Projects: GA ČR GA205/09/1079; GA MŠMT(CZ) 1M0567
Institutional research plan: CEZ:AV0Z10300504
Keywords : data mining * artificial inteligence * neural networks * multivariate statistics * Boolean factor analysis * Hopfield-like neural networks * feed forward neural network
Subject RIV: BB - Applied Statistics, Operational Research

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 when processed 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.

V tomto příspěvku jsou porovnány dvě nové neurosíťové metody, zaměřené na řešení problému optimální booleovské faktorizace binárních matic resp. Booleovské faktorové analýzy. Boooleovská faktorová analýza založená na neurosíťovém přístupu je vhodná metoda pro data-mining velkých binárních dat, včetně internetových. Jsou analyzovány dva neurosíťové metody. Jedna založený na dopředné neuronové sítí a druhá na Hopfieldově neuronové sítí. Ukazujeme, že obě metody dávají dobré výsledky při zpracování dat s jednoduchou strukturou, ale jak složitost datové struktury roste, metoda založená na dopředné neuronové síti, ztrácí schopnost řešit úlohu Booleovské faktorové analýzy. V naší metodě, založené na Hopfieldově rekurentní neuronové síti, tento jev pozorován nebyl. V tomto ohledu je tedy lepší, v porovnání s konkurencí.
Permanent Link: http://hdl.handle.net/11104/0174475