Towards Ordinal Data Science

要約

順序は、(経験的) データ内のオブジェクト間の関係を測定するための主要な手段の 1 つです。
ただし、オブジェクトの数値特性を使用するメソッドと比較して、開発された順序メソッドの量はかなり少ないです。
この理由の 1 つは、前世紀において通常の計算に必要とされる計算リソースの利用可能性が限られていたことです。
もう 1 つの理由は、この分野の研究にとって特に重要ですが、順序ベースの手法は現実世界のデータに適用するには数学的に厳密すぎると見なされていることが多いためです。
したがって、この論文では、順序構造 (有向グラフの特定のクラス) を測定および「計算」するためのさまざまな手段について説明し、それらから知識を推測する方法を示します。
私たちの目標は、Ordinal Data Science を根本的に新しい研究課題として確立することです。
他の基礎的な機械学習および知識表現手法との相互作用に加えて、心理学、社会学、経済学、ウェブサイエンス、知識工学、サイエントメトリクスなど、幅広い分野がこの取り組みから恩恵を受けるでしょう。

要約(オリジナル)

Order is one of the main instruments to measure the relationship between objects in (empirical) data. However, compared to methods that use numerical properties of objects, the amount of ordinal methods developed is rather small. One reason for this is the limited availability of computational resources in the last century that would have been required for ordinal computations. Another reason — particularly important for this line of research — is that order-based methods are often seen as too mathematically rigorous for applying them to real-world data. In this paper, we will therefore discuss different means for measuring and ‘calculating’ with ordinal structures — a specific class of directed graphs — and show how to infer knowledge from them. Our aim is to establish Ordinal Data Science as a fundamentally new research agenda. Besides cross-fertilization with other cornerstone machine learning and knowledge representation methods, a broad range of disciplines will benefit from this endeavor, including, psychology, sociology, economics, web science, knowledge engineering, scientometrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google