論文の概要: Differentiable Unsupervised Feature Selection based on a Gated Laplacian
- arxiv url: http://arxiv.org/abs/2007.04728v3
- Date: Mon, 9 Nov 2020 11:23:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 03:32:22.142250
- Title: Differentiable Unsupervised Feature Selection based on a Gated Laplacian
- Title（参考訳）: 階調ラプラシアンに基づく識別不可能な特徴選択
- Authors: Ofir Lindenbaum, Uri Shaham, Jonathan Svirsky, Erez Peterfreund, Yuval
Kluger
- Abstract要約: 本稿では,低周波特徴を優先するラプラシアンスコアと,特徴選択のためのゲーティング機構を組み合わせた識別可能な損失関数を提案する。
我々は,提案手法を数学的に動機付け,高雑音条件下では,全特徴集合ではなく,ゲート入力上でラプラシアンを計算することが重要であることを示す。
- 参考スコア（独自算出の注目度）: 7.970954821067042
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific observations may consist of a large number of variables
(features). Identifying a subset of meaningful features is often ignored in
unsupervised learning, despite its potential for unraveling clear patterns
hidden in the ambient space. In this paper, we present a method for
unsupervised feature selection, and we demonstrate its use for the task of
clustering. We propose a differentiable loss function that combines the
Laplacian score, which favors low-frequency features, with a gating mechanism
for feature selection. We improve the Laplacian score, by replacing it with a
gated variant computed on a subset of features. This subset is obtained using a
continuous approximation of Bernoulli variables whose parameters are trained to
gate the full feature space. We mathematically motivate the proposed approach
and demonstrate that in the high noise regime, it is crucial to compute the
Laplacian on the gated inputs, rather than on the full feature set.
Experimental demonstration of the efficacy of the proposed approach and its
advantage over current baselines is provided using several real-world examples.
- Abstract（参考訳）: 科学的な観察は、多くの変数(特徴)から構成される。
有意義な特徴のサブセットを特定することは教師なし学習では無視されることが多いが、周囲の空間に隠された明確なパターンを解き放つ可能性を秘めている。
本稿では,教師なし特徴選択手法を提案するとともに,クラスタリングタスクにおけるその利用例を示す。
低周波特性を好むラプラシアンスコアと特徴選択のためのゲーティング機構を組み合わせた微分可能損失関数を提案する。
特徴のサブセット上で計算されたゲート付き変種に置き換えることで、ラプラシアンスコアを改善する。
この部分集合はベルヌーイ変数の連続近似を用いて得られ、そのパラメータは全特徴空間をゲートするように訓練される。
我々は,提案手法を数学的に動機付け,高雑音条件下では,全特徴集合ではなく,ゲート入力上でラプラシアンを計算することが重要であることを示す。
実例を用いて,提案手法の有効性と,現在のベースラインよりも優れていることを示す実験実験を行った。
関連論文リスト
- Quiver Laplacians and Feature Selection [1.237454174824584]
本稿では,サブセットへの分解と互換性のある特徴を識別する手法について述べる。
我々は、関連するクイバーラプラシアンの固有ベクトルが局所的およびグローバルに適合する特徴を得られることを示した。
論文 参考訳（メタデータ） (2024-04-10T13:12:07Z) - 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) - Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。
より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。
提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
論文 参考訳（メタデータ） (2023-11-19T09:41:10Z) - Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。
摂動を事前分布関数によるランダム変数として扱う。
収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
論文 参考訳（メタデータ） (2023-01-21T00:21:11Z) - Deep Unsupervised Feature Selection by Discarding Nuisance and
Correlated Features [7.288137686773523]
現代のデータセットには、相関した特徴とニュアンスな特徴の大きなサブセットが含まれている。
多数のニュアンス特徴が存在する場合、ラプラシアンは選択された特徴の部分集合上で計算されなければならない。
相関する特徴に対処するためにオートエンコーダアーキテクチャを使用し、選択した特徴のサブセットからデータを再構成するように訓練した。
論文 参考訳（メタデータ） (2021-10-11T14:26:13Z) - Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。
実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2020-12-07T08:16:32Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z) - 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) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z) - Outlier Detection Ensemble with Embedded Feature Selection [42.8338013000469]
組込み特徴選択(ODEFS)を用いた外乱検出アンサンブルフレームワークを提案する。
各ランダムなサブサンプリングベースの学習コンポーネントに対して、ODEFSは、特徴選択と外れ値検出をペアのランキング式に統一する。
我々は、特徴選択と例選択を同時に最適化するために閾値付き自己評価学習を採用する。
論文 参考訳（メタデータ） (2020-01-15T13:14:10Z)
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。