論文の概要: Extended Particle Swarm Optimization (EPSO) for Feature Selection of High Dimensional Biomedical Data

• arxiv url: http://arxiv.org/abs/2008.03530v1
• Date: Sat, 8 Aug 2020 14:09:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 09:13:42.205171
• Title: Extended Particle Swarm Optimization (EPSO) for Feature Selection of High Dimensional Biomedical Data
• Title（参考訳）: 高次元生体データの特徴選択のための拡張粒子群最適化(EPSO)
• Authors: Ali Hakem Alsaeedi, Adil L. Albukhnefis, Dhiah Al-Shammary, Muntasir Al-Asfoor
• Abstract要約: 本稿では,PSOの探索過程を最適化問題として拡張粒子群最適化モデル(EPSO)を提案する。 遺伝子発現プロファイルの特定の分類手法への挑戦は、サンプル毎に記録された何千もの特徴にある。 変異Wrapper特徴選択モデルは、そのランダム性アプローチをEPSOとPSOに置き換えることにより、遺伝子分類課題に対処することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper proposes a novel Extended Particle Swarm Optimization model (EPSO) that potentially enhances the search process of PSO for optimization problem. Evidently, gene expression profiles are significantly important measurement factor in molecular biology that is used in medical diagnosis of cancer types. The challenge to certain classification methodologies for gene expression profiles lies in the thousands of features recorded for each sample. A modified Wrapper feature selection model is applied with the aim of addressing the gene classification challenge by replacing its randomness approach with EPSO and PSO respectively. EPSO is initializing the random size of the population and dividing them into two groups in order to promote the exploration and reduce the probability of falling in stagnation. Experimentally, EPSO has required less processing time to select the optimal features (average of 62.14 sec) than PSO (average of 95.72 sec). Furthermore, EPSO accuracy has provided better classification results (start from 54% to 100%) than PSO (start from 52% to 96%).
• Abstract（参考訳）: 本稿では,PSOの探索過程を最適化問題として拡張粒子群最適化モデル(EPSO)を提案する。 遺伝子の発現プロファイルは、がんの診断に使用される分子生物学において重要な測定因子である。 遺伝子発現プロファイルの特定の分類手法への挑戦は、サンプル毎に記録された何千もの特徴にある。 変異Wrapper特徴選択モデルは、そのランダム性アプローチをEPSOとPSOに置き換えることにより、遺伝子分類問題に対処することを目的としている。 EPSOは集団のランダムなサイズを初期化し、2つのグループに分けて探索を促進し、停滞する確率を減らす。 実験では、EPSOはPSO(平均95.72秒)よりも最適な特徴(平均62.14秒)を選択するのに処理時間が少ない。 さらに、EPSO精度は、PSO(52%から96%)よりも優れた分類結果(54%から100%)を提供している。

関連論文リスト

• Decomposed Direct Preference Optimization for Structure-Based Drug Design [47.561983733291804]
  本稿では,拡散モデルと医薬的ニーズを整合させる構造に基づく最適化手法であるDecompDPOを提案する。 DecompDPOは、様々なタンパク質ファミリーにまたがる分子生成のための微調整済み拡散モデルと、生成後に特定のタンパク質サブポケットを与える分子最適化の2つの主要な目的のために効果的に使用できる。
  論文  参考訳（メタデータ） (2024-07-19T02:12:25Z)
• Orthogonally Initiated Particle Swarm Optimization with Advanced Mutation for Real-Parameter Optimization [0.04096453902709291]
  本稿では,多角形PSO(orthogonal PSO with Mutation,OPSO-m)と呼ばれる拡張粒子群(PSO)を紹介する。 PSOのための改良された初期Swarmを育むための配列ベースの学習手法を提案し、Swarmベースの最適化アルゴリズムの適応性を大幅に向上させた。 この記事はさらに、人口を正規グループとエリートグループに分割する、アーカイブベースの自己適応学習戦略を提示する。
  論文  参考訳（メタデータ） (2024-05-21T07:16:20Z)
• Optimized Deep Feature Selection for Pneumonia Detection: A Novel RegNet and XOR-Based PSO Approach [1.3597551064547502]
  肺炎は、特に発展途上国において、乳児死亡の重要な原因である。 本研究では、RegNetモデルの2番目の層から深い特徴を抽出するために、XORに基づくパーティクルスワーム最適化(PSO)を提案する。 163個の特徴を抽出し,98%の精度を達成し,従来のPSO法と同等の精度を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:42:54Z)
• An Adam-enhanced Particle Swarm Optimizer for Latent Factor Analysis [6.960453648000231]
  本稿では,逐次PSOアルゴリズムを用いて潜在因子を改良したAdam-enhanced Hierarchical PSO-LFAモデルを提案する。 4つの実データセットに対する実験結果から,提案モデルがピアで高い予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:10:59Z)
• Preconditioned Score-based Generative Models [49.88840603798831]
  直感的な加速度法はサンプリングの繰り返しを減らし、しかしながら重大な性能劣化を引き起こす。 本稿では,行列プレコンディショニングを利用したモデル非依存型bfem事前条件拡散サンプリング(PDS)手法を提案する。 PDSは、バニラSGMのサンプリングプロセスを限界余剰計算コストで変更し、モデルの再訓練を行わない。
  論文  参考訳（メタデータ） (2023-02-13T16:30:53Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• OpenKBP-Opt: An international and reproducible evaluation of 76 knowledge-based planning pipelines [48.547200649819615]
  放射線治療における知識ベース計画(KBP)のための計画最適化モデルを開発するためのオープンフレームワークを構築した。 当フレームワークは, 頭頸部癌100例の基準計画と, 19KBPモデルによる高用量予測を含む。
  論文  参考訳（メタデータ） (2022-02-16T19:18:42Z)
• SelectAugment: Hierarchical Deterministic Sample Selection for Data Augmentation [72.58308581812149]
  そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。 具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。 これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
  論文  参考訳（メタデータ） (2021-12-06T08:38:38Z)
• Chaos inspired Particle Swarm Optimization with Levy Flight for Genome Sequence Assembly [0.0]
  本稿では、置換最適化問題に対処するため、新しいPSOの変種を提案する。 PSOはChaos and Levy Flight (ランダムウォークアルゴリズム)と統合され、アルゴリズムの探索と利用能力のバランスをとる。 論文で提案する他のPSOの変種と比較して,提案手法の性能を評価するための実証実験を行った。
  論文  参考訳（メタデータ） (2021-10-20T15:24:27Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)

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。