論文の概要: Atom Search Optimization with Simulated Annealing -- a Hybrid Metaheuristic Approach for Feature Selection

• arxiv url: http://arxiv.org/abs/2005.08642v1
• Date: Sun, 10 May 2020 07:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 01:21:56.733327
• Title: Atom Search Optimization with Simulated Annealing -- a Hybrid Metaheuristic Approach for Feature Selection
• Title（参考訳）: シミュレーションアニーリングによるAtom検索最適化 - 特徴選択のためのハイブリッドメタヒューリスティックアプローチ
• Authors: Kushal Kanti Ghosh, Ritam Guha, Soulib Ghosh, Suman Kumar Bera, Ram Sarkar
• Abstract要約: ハイブリッドメタヒューリスティックス(Hybrid meta-heuristics)は、最適化と特徴選択(FS)分野における最も興味深いトレンドの1つである。 我々は、ASO-SA(Atom Search Optimization)のバイナリ版と、FSのためのASO-SA(ASO-SA)技術と呼ばれるSimulated Annealing(Simulated Annealing)によるハイブリッドを提案した。 提案手法は, UCI, Handwriting digit recognition, Text, non-text separation, Facial emotion Recognitionの4つのカテゴリから25のデータセットに対して適用した。
• 参考スコア（独自算出の注目度）: 29.765647724007827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 'Hybrid meta-heuristics' is one of the most interesting recent trends in the field of optimization and feature selection (FS). In this paper, we have proposed a binary variant of Atom Search Optimization (ASO) and its hybrid with Simulated Annealing called ASO-SA techniques for FS. In order to map the real values used by ASO to the binary domain of FS, we have used two different transfer functions: S-shaped and V-shaped. We have hybridized this technique with a local search technique called, SA We have applied the proposed feature selection methods on 25 datasets from 4 different categories: UCI, Handwritten digit recognition, Text, non-text separation, and Facial emotion recognition. We have used 3 different classifiers (K-Nearest Neighbor, Multi-Layer Perceptron and Random Forest) for evaluating the strength of the selected featured by the binary ASO, ASO-SA and compared the results with some recent wrapper-based algorithms. The experimental results confirm the superiority of the proposed method both in terms of classification accuracy and number of selected features.
• Abstract（参考訳）: ハイブリッドメタヒューリスティックスは最適化と機能選択(fs)の分野で最も興味深い最近のトレンドの一つである。 本稿では,ASO-SA(Atom Search Optimization, ASO)とSimulated Annealing(Simulated Annealing, ASO-SA)のハイブリッドをFS向けに提案した。 ASOで使われる実値をFSのバイナリ領域にマッピングするために、我々はS字型とV字型の2つの異なる転送関数を使った。 提案手法は,usi,手書き文字認識,テキスト,非テキスト分離,顔の感情認識という4つのカテゴリの25のデータセットに対して,提案手法を適用した。 我々は3種類の分類器 (k-nearest neighbor, multi-layer perceptron, random forest) を用いて,バイナリaso, aso-saによって選択された特徴の強度を評価し,最近のラッパーベースアルゴリズムと比較した。 提案手法は, 分類精度と選択した特徴量の両方において, 優位性を確認した。

関連論文リスト

• Billion-scale Similarity Search Using a Hybrid Indexing Approach with Advanced Filtering [49.1574468325115]
  本稿では,CPU推論に最適化された数十億規模のデータセット上での複雑なフィルタリング機能を備えた類似度探索のための新しい手法を提案する。 提案手法は,従来のIVF-Flatインデックス構造を拡張し,多次元フィルタを統合する。 提案アルゴリズムは,高次元空間での高速な探索を可能にするため,高密度埋め込みと離散フィルタ特性を組み合わせる。
  論文  参考訳（メタデータ） (2025-01-23T07:47:00Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Optimizing Feature Selection for Binary Classification with Noisy Labels: A Genetic Algorithm Approach [0.24735591075006394]
  雑音ラベル付き二項分類における最適な特徴部分集合を選択するための遺伝的アルゴリズムに基づく新しい手法を提案する。 NMFS-GAは、正確かつ解釈可能な機能サブセットを選択するための統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-01-12T12:42:26Z)
• Graph-Based Automatic Feature Selection for Multi-Class Classification via Mean Simplified Silhouette [4.786337974720721]
  本稿では,自動特徴選択のためのグラフベースの新しいフィルタ手法を提案する(略してGB-AFS)。 予測性能を維持するために必要な特徴の最小の組み合わせを決定する。 選択する機能の数など、ユーザ定義パラメータを一切必要としない。
  論文  参考訳（メタデータ） (2023-09-05T14:37:31Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• ManiFeSt: Manifold-based Feature Selection for Small Data Sets [9.649457851261909]
  少数サンプル教師付き特徴選択(FS)のための新しい手法を提案する。 提案手法はまず,多機能アソシエーションをキャプチャするカーネルを用いて,各クラスの特徴空間の多様体を学習する。 テストデータに適用した場合,FSにより分類が向上し,一般化が向上することを示す。
  論文  参考訳（メタデータ） (2022-07-18T12:58:01Z)
• Kernel Extreme Learning Machine Optimized by the Sparrow Search Algorithm for Hyperspectral Image Classification [16.51364033144792]
  本稿では、マルチスケールトータル変分法(MSTV)を用いてスペクトルの特徴を抽出し、局所二分法パターン(LBP)を用いて空間的特徴を抽出し、超スペクトル像の融合特徴を得る。 カーネル・エクストリーム・ラーニング・マシン(KELM)のカーネルパラメータと正規化係数を最適化するために,高収束・大域探索機能を備えた新しいスワム・インテリジェンス最適化手法であるスパロウ・サーチ・アルゴリズム(SSA)を用いる。 実験の結果,MLS-KELMは他の一般的な分類法と比較して,分類性能と一般化能力が優れており,MLS-KELMは小サンプルにおいて強い堅牢性を示すことがわかった。
  論文  参考訳（メタデータ） (2022-04-03T02:46:36Z)
• Multivariate feature ranking of gene expression data [62.997667081978825]
  ペアワイズ相関とペアワイズ整合性に基づく2つの新しい多変量特徴ランキング手法を提案する。 提案手法は, クラスタリング変動, チ・スクエアド, 相関, 情報ゲイン, ReliefF および Significance の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-03T17:19:53Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)
• Subspace-Based Feature Fusion From Hyperspectral And Multispectral Image For Land Cover Classification [17.705966155216945]
  画素分類のためのハイパースペクトル(HS)とマルチスペクトル(MS)画像からの特徴融合法を提案する。 提案手法は,まず形状プロファイルを用いてMS画像から空間的特徴を抽出する。 特徴融合問題を効率的に解くために、交互最適化(AO)と乗算器の交互方向法(ADMM)を組み合わせたアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-02-22T17:59:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。