論文の概要: Unsupervised Feature Selection via Multi-step Markov Transition Probability

• arxiv url: http://arxiv.org/abs/2005.14359v1
• Date: Fri, 29 May 2020 01:15:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 22:45:32.215030
• Title: Unsupervised Feature Selection via Multi-step Markov Transition Probability
• Title（参考訳）: 多段階マルコフ遷移確率による教師なし特徴選択
• Authors: Yan Min, Mao Ye, Liang Tian, Yulin Jian, Ce Zhu, Shangming Yang
• Abstract要約: MMFSという,教師なし特徴選択のための新しい,非常にシンプルな手法を提案する。 このアイデアは、マルチステップのマルコフ遷移確率を使用して、任意のデータペア間の関係を記述する。 提案手法の性能は,8つの実世界のデータセットの最先端手法と比較した。
• 参考スコア（独自算出の注目度）: 29.717104109481536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection is a widely used dimension reduction technique to select feature subsets because of its interpretability. Many methods have been proposed and achieved good results, in which the relationships between adjacent data points are mainly concerned. But the possible associations between data pairs that are may not adjacent are always neglected. Different from previous methods, we propose a novel and very simple approach for unsupervised feature selection, named MMFS (Multi-step Markov transition probability for Feature Selection). The idea is using multi-step Markov transition probability to describe the relation between any data pair. Two ways from the positive and negative viewpoints are employed respectively to keep the data structure after feature selection. From the positive viewpoint, the maximum transition probability that can be reached in a certain number of steps is used to describe the relation between two points. Then, the features which can keep the compact data structure are selected. From the viewpoint of negative, the minimum transition probability that can be reached in a certain number of steps is used to describe the relation between two points. On the contrary, the features that least maintain the loose data structure are selected. And the two ways can also be combined. Thus three algorithms are proposed. Our main contributions are a novel feature section approach which uses multi-step transition probability to characterize the data structure, and three algorithms proposed from the positive and negative aspects for keeping data structure. The performance of our approach is compared with the state-of-the-art methods on eight real-world data sets, and the experimental results show that the proposed MMFS is effective in unsupervised feature selection.
• Abstract（参考訳）: 特徴選択は、その解釈可能性のために特徴サブセットを選択するために広く使われる次元縮小技術である。 多くの手法が提案され、隣接するデータポイント間の関係が主に関係する良い結果が得られた。 しかし、隣接しないかもしれないデータペア間の関連性は常に無視される。 従来の手法とは違って,MMFS (Multi-step Markov transition probability for Feature Selection) という,教師なし特徴選択のための新しい,非常にシンプルなアプローチを提案する。 この考え方は、任意のデータペア間の関係を記述するためにマルチステップマルコフ遷移確率を使用する。 特徴選択後のデータ構造を維持するために, 肯定的視点と否定的視点の2つの方法を用いる。 正の観点では、あるステップ数で到達可能な最大遷移確率は、2つの点の間の関係を記述するために用いられる。 そして、コンパクトなデータ構造を保持することができる特徴を選択する。 負の観点から、あるステップ数で到達可能な最小遷移確率は、2つの点の間の関係を記述するために用いられる。 逆に、ゆるいデータ構造を最小に維持する特徴が選択される。 そしてこの2つの方法を組み合わせることもできる。 3つのアルゴリズムが提案されている。 提案手法の主な貢献は,多段階遷移確率を用いてデータ構造を特徴付ける新しい特徴区間アプローチと,データ構造を維持するための正負の側面から提案される3つのアルゴリズムである。 提案手法の性能を実世界の8つのデータセットの最先端手法と比較し,提案手法が教師なし特徴選択に有効であることを示す実験結果を得た。

関連論文リスト

• Parallel feature selection based on the trace ratio criterion [4.30274561163157]
  本研究は,PFSTを用いた並列特徴選択という,新しい並列特徴選択手法を提案する。 提案手法は,Fisher's Discriminant Analysisで用いられるクラス分離性の尺度であるトレース基準を用いて特徴的有用性を評価する。 実験により,本手法は,比較対象の他の手法による時間的差のごく一部で,少数の特徴セットを生成できることが確認された。
  論文  参考訳（メタデータ） (2022-03-03T10:50:33Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• An Evolutionary Correlation-aware Feature Selection Method for Classification Problems [3.2550305883611244]
  本稿では,3つの目標を達成するために分布推定アルゴリズムを提案する。 第一に、EDAの拡張として、適合度関数に基づいて競合する各イテレーションにおいて、提案手法は2つの個人しか生成しない。 第二に、各イテレーションにおける個人の機能数を決定するためのガイド技術を提供する。 本論文の主な貢献として,各特徴の重要さだけでなく,特徴間の相互作用についても考察できる。
  論文  参考訳（メタデータ） (2021-10-16T20:20:43Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端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） (2021-04-11T03:25:25Z)
• PointFlow: Flowing Semantics Through Points for Aerial Image Segmentation [96.76882806139251]
  本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。 密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。 3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
  論文  参考訳（メタデータ） (2021-03-11T09:42:32Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• A Novel Community Detection Based Genetic Algorithm for Feature Selection [3.8848561367220276]
  著者らは3つのステップで機能するコミュニティ検出に基づく遺伝的アルゴリズムを提案する。 提案手法の性能から,9つのベンチマーク分類問題を解析した。
  論文  参考訳（メタデータ） (2020-08-08T15:39:30Z)
• Segment as Points for Efficient Online Multi-Object Tracking and Segmentation [66.03023110058464]
  本稿では,コンパクトな画像表現を非秩序な2次元点クラウド表現に変換することで,セグメントに基づくインスタンス埋め込みの学習に有効な方法を提案する。 本手法は,画像ではなく,ランダムに選択された点から識別インスタンスの埋め込みを学習する,新たなトラッキング・バイ・ポイントのパラダイムを生成する。 PointTrackという名前のオンラインMOTSフレームワークは、最先端のすべてのメソッドを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-07-03T08:29:35Z)
• Infinite Feature Selection: A Graph-based Feature Filtering Approach [78.63188057505012]
  グラフ内の経路として特徴のサブセットを考慮したフィルタリング機能選択フレームワークを提案する。 無限に進むことで、選択プロセスの計算複雑性を制限できる。 Inf-FSはほとんどどんな状況でも、つまり、保持するフィーチャの数が優先順位に固定されているときに、より良く振る舞うことを示す。
  論文  参考訳（メタデータ） (2020-06-15T07:20:40Z)

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。