論文の概要: Infinite Feature Selection: A Graph-based Feature Filtering Approach
- arxiv url: http://arxiv.org/abs/2006.08184v1
- Date: Mon, 15 Jun 2020 07:20:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 02:20:47.110064
- Title: Infinite Feature Selection: A Graph-based Feature Filtering Approach
- Title（参考訳）: 無限特徴選択:グラフに基づく特徴フィルタリングアプローチ
- Authors: Giorgio Roffo, Simone Melzi, Umberto Castellani, Alessandro
Vinciarelli, Marco Cristani
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 78.63188057505012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a filtering feature selection framework that considers subsets of
features as paths in a graph, where a node is a feature and an edge indicates
pairwise (customizable) relations among features, dealing with relevance and
redundancy principles. By two different interpretations (exploiting properties
of power series of matrices and relying on Markov chains fundamentals) we can
evaluate the values of paths (i.e., feature subsets) of arbitrary lengths,
eventually go to infinite, from which we dub our framework Infinite Feature
Selection (Inf-FS). Going to infinite allows to constrain the computational
complexity of the selection process, and to rank the features in an elegant
way, that is, considering the value of any path (subset) containing a
particular feature. We also propose a simple unsupervised strategy to cut the
ranking, so providing the subset of features to keep. In the experiments, we
analyze diverse settings with heterogeneous features, for a total of 11
benchmarks, comparing against 18 widely-known comparative approaches. The
results show that Inf-FS behaves better in almost any situation, that is, when
the number of features to keep are fixed a priori, or when the decision of the
subset cardinality is part of the process.
- Abstract（参考訳）: 本稿では,特徴のサブセットをグラフ内のパスとして考慮するフィルタリング機能選択フレームワークを提案する。ノードは特徴であり,エッジは特徴間のペアワイズ(カスタマイズ可能な)関係を示し,関連性や冗長性の原則を扱う。
2つの異なる解釈(行列列のパワー級数の性質とマルコフ連鎖の基本に依存すること)により、任意の長さの経路(すなわち特徴部分集合)の値が最終的に無限となり、そこからフレームワーク Infinite Feature Selection (Inf-FS) をダブする。
無限に進むことで、選択プロセスの計算複雑性を制限し、特定の特徴を含む任意のパス(サブセット)の値を考慮して、その特徴をエレガントな方法でランク付けすることができる。
また、ランキングを減らすための単純な教師なし戦略を提案し、維持すべき機能のサブセットを提供します。
実験では,不均質な特徴を持つ多様な設定を,合計11のベンチマークで分析し,18の一般的な比較手法と比較した。
その結果、Inf-FS はほとんどどんな状況でもより良く振る舞うことが示され、すなわち、保持する特徴の数が優先順位に固定された場合や、部分集合の基数の決定がプロセスの一部である場合である。
関連論文リスト
- A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。
また,モーザイクアーティファクトを緩和するのには単純だが有効であるHR特徴量に対して,きめ細かな近傍選択戦略を開発した。
提案するReSFUフレームワークは,異なるセグメンテーションアプリケーション上での良好な性能を一貫して達成する。
論文 参考訳（メタデータ） (2024-07-02T14:12:21Z) - Knockoff-Guided Feature Selection via A Single Pre-trained Reinforced
Agent [44.84307718534031]
ノックオフ機能によってガイドされる特徴選択のための革新的なフレームワークを導入し、強化学習により最適化する。
探索プロセスの有効性を向上させるために,原特徴とそれに対応する擬似ラベルを事前訓練した深部Qネットワークが用いられている。
新しいepsilon-greedy戦略を使用して、擬似ラベルからの洞察を取り入れて、特徴選択プロセスをより効果的にする。
論文 参考訳（メタデータ） (2024-03-06T19:58:19Z) - 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) - 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) - CFNet: Learning Correlation Functions for One-Stage Panoptic
Segmentation [46.252118473248316]
バックボーンの特徴を高めるために,まず,異なる場所のセマンティックレベルとインスタンスレベルの相関関係を推定することを提案する。
次に,改良された識別特徴をそれぞれ対応するセグメンテーションヘッドに供給する。
PQは45.1ドル%、ADE20kは32.6ドル%である。
論文 参考訳（メタデータ） (2022-01-13T05:31:14Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-30T19:17:35Z) - 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) - Unsupervised Feature Selection via Multi-step Markov Transition
Probability [29.717104109481536]
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。
論文 参考訳（メタデータ） (2020-05-29T01:15:16Z)
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。