Boolean Factor Analysis by Attractor Neural Network

0083501 - ÚI 2008 RIV US eng J - Článek v odborném periodiku
Frolov, A. A. - Húsek, Dušan - Muraviev, I. P. - Polyakov, P.Y.
Boolean Factor Analysis by Attractor Neural Network.
[Boolevská faktorová analýza pomocí atraktorové neuronové sítě.]
IEEE Transactions on Neural Networks. Roč. 18, č. 3 (2007), s. 698-707. ISSN 1045-9227
Grant CEP: GA AV ČR 1ET100300419; GA ČR GA201/05/0079
Výzkumný záměr: CEZ:AV0Z10300504
Klíčová slova: recurrent neural network * Hopfield-like neural network * associative memory * unsupervised learning * neural network architecture * neural network application * statistics * Boolean factor analysis * dimensionality reduction * features clustering * concepts search * information retrieval
Kód oboru RIV: BB - Aplikovaná statistika, operační výzkum
Impakt faktor: 2.769, rok: 2007

A common problem encountered in disciplines such as statistics, data analysis, signal processing, textual data representation, and neural network research, is finding a suitable representation of the data in the lower dimension space. One of the principles used for this reason is a factor analysis. In this paper, we show that Hebbian learning and a Hopfield-like neural network could be used for a natural procedure for Boolean factor analysis (BFA). To ensure efficient BFA, we propose our original modification not only of Hopfield network architecture but also its dynamics as well. In this paper, we describe neural network implementation of the BFA method. We show the advantages of our Hopfield-like network modification step by step on artificially generated data. At the end, we show the efficiency of the method on artificial data containing a known list of factors. Our approach has the advantage of being able to analyze very large data sets while preserving the nature of the data.

Společný problém, který se objevuje např. ve statistice , analýze dat, zpracování signálů, v oblastech textových dokumentů a neuronových sítích je nalezení vhodné reprezentace dat v prostoru nižší dimenze. Jedním z principů použitelných pro tuto úlohu je faktorová analýza. V tomto článku je ukázáno, že Hebbovské učení a Hopfieldově podobná neuronová síť může být použita jako přirozená procedura pro Booleovskou faktorovou analýzu. Pro zajištění efektivního výpočtu Booleovské faktorové analýzy, uvádíme naší originální modifikaci nejen architektury Hopfieldovy neuronové sítě, ale též její dynamiky. Detailně je popsána implementace neuronové sítě řešící úlohu Booleovské faktorové analýzy. Výhody našeho postupu založeného na modifikaci Hopfieldově podobné síti jsou ukázány krok po kroku na uměle generovaných datech. Tento postup je výhodný zejména proto, že je vhodný pro analýzu rozsáhlých datových souborů (VLDS) a přitom zachovává povahu vztahů v datech.
Trvalý link: http://hdl.handle.net/11104/0146721