論文の概要: Fractal Autoencoders for Feature Selection

• arxiv url: http://arxiv.org/abs/2010.09430v2
• Date: Tue, 4 Jan 2022 23:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 22:34:08.788568
• Title: Fractal Autoencoders for Feature Selection
• Title（参考訳）: 特徴選択のためのフラクタルオートエンコーダ
• Authors: Xinxing Wu and Qiang Cheng
• Abstract要約: フラクタルオートエンコーダ(FAE)という,教師なし特徴選択のための革新的なフレームワークを提案する。 FAEは、教師なしの方法で特徴選択のための1対1のスコアリング層と小さなサブニューラルネットワークを追加することで、オートエンコーダを拡張している。 FAEは遺伝子発現データ探索において大きな優位性を示しており、広く使用されているL1000のランドマーク遺伝子に比べて、測定コストを約15ドル下げている。
• 参考スコア（独自算出の注目度）: 20.564573628659918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection reduces the dimensionality of data by identifying a subset of the most informative features. In this paper, we propose an innovative framework for unsupervised feature selection, called fractal autoencoders (FAE). It trains a neural network to pinpoint informative features for global exploring of representability and for local excavating of diversity. Architecturally, FAE extends autoencoders by adding a one-to-one scoring layer and a small sub-neural network for feature selection in an unsupervised fashion. With such a concise architecture, FAE achieves state-of-the-art performances; extensive experimental results on fourteen datasets, including very high-dimensional data, have demonstrated the superiority of FAE over existing contemporary methods for unsupervised feature selection. In particular, FAE exhibits substantial advantages on gene expression data exploration, reducing measurement cost by about $15$\% over the widely used L1000 landmark genes. Further, we show that the FAE framework is easily extensible with an application.
• Abstract（参考訳）: 特徴の選択は、最も有益な特徴のサブセットを識別することで、データの次元を減少させる。 本稿では,教師なし特徴選択のための革新的なフレームワークであるフラクタルオートエンコーダ(fae)を提案する。 ニューラルネットワークを訓練して、表現可能性のグローバルな探索や多様性の局所的な発掘のための情報的特徴を特定する。 アーキテクチャ的には、faeは1対1のスコアリング層と、教師なしの方法で特徴選択のための小さなサブニューラルネットワークを追加することでオートエンコーダを拡張する。 このような簡潔なアーキテクチャにより、FAEは最先端の性能を達成し、非常に高次元のデータを含む14のデータセットに対する広範な実験結果により、教師なし特徴選択のための既存の手法よりもFAEの方が優れていることが示された。 特に、faeは遺伝子発現データ探索において実質的な利点を示しており、広く使用されているl1000のランドマーク遺伝子よりも測定コストを約15セント下げている。 さらに、FAEフレームワークはアプリケーションで容易に拡張可能であることを示す。

関連論文リスト

• Enhancing Supervised Visualization through Autoencoder and Random Forest Proximities for Out-of-Sample Extension [10.56452144281148]
  教師付き次元削減の価値は、データ特徴とラベルの間の意味のある関係を明らかにする能力にある。 一般的な次元減少法は固定された潜在点の集合を埋め込むが、目に見えないテスト集合に一般化することはできない。 本研究では,ランダム森林をベースとしたディメンタリティ低減手法RF-PHATEのアウト・オブ・サンプル拡張法を提案する。
  論文  参考訳（メタデータ） (2024-06-06T18:06:50Z)
• Deep Learning for Efficient GWAS Feature Selection [0.0]
  本稿では,Mirzaeiらによって提案された特徴選択手法の拡張について紹介する。 拡張されたアプローチは、学生ネットワークにフロベニウスのノルムペナルティを導入することによって、元の手法を強化する。 教師なしと教師なしの両方で シームレスに動作します 2つの重要なニューラルネットワークを使っています
  論文  参考訳（メタデータ） (2023-12-22T20:35:47Z)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• infoVerse: A Universal Framework for Dataset Characterization with Multidimensional Meta-information [68.76707843019886]
  infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。 infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。 実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-30T18:12:48Z)
• Graph Convolutional Network-based Feature Selection for High-dimensional and Low-sample Size Data [4.266990593059533]
  本稿では,GRAph Convolutional nEtwork feature Selector (GRACES) という深層学習に基づく手法を提案する。 GRACESは、合成データセットと実世界のデータセットの両方において、他の特徴選択方法よりも優れているという実証的な証拠を実証する。
  論文  参考訳（メタデータ） (2022-11-25T14:46:36Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Cross-layer Navigation Convolutional Neural Network for Fine-grained Visual Classification [21.223130735592516]
  FGVCは、オブジェクトのサブクラスを同じスーパークラスで分類することを目的としている。 FGVCタスクにとって重要な解決策は、地域からターゲットの識別的微妙な情報を見つけることである。 機能融合のための階層間ナビゲーション畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-21T08:38:27Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• TDA-Net: Fusion of Persistent Homology and Deep Learning Features for COVID-19 Detection in Chest X-Ray Images [0.7734726150561088]
  トポロジカルデータ分析は、データセットの構造を抽出し比較するための堅牢なツールとして登場した。 両強力なツールの特徴を捉えるために,トポロジと深い特徴を融合した新しいアンサンブルネットワークである textitTDA-Net を提案する。
  論文  参考訳（メタデータ） (2021-01-21T01:51:12Z)
• Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation [57.62713515497585]
  3次元点雲の連成分類とセグメンテーションのために,教師なしフィードフォワード特徴学習を提案する。 UFF法は、点雲セット内の点の統計的相関を利用して、1パスのフィードフォワード方式で形状と点の特徴を学習する。 エンコーダとローカルポイントでグローバルな形状の特徴を、エンコーダ-デコーダアーキテクチャを通して学習する。
  論文  参考訳（メタデータ） (2020-09-02T18:25:25Z)
• Weakly Supervised Attention Pyramid Convolutional Neural Network for Fine-Grained Visual Classification [71.96618723152487]
  注意ピラミッド畳み込みニューラルネットワーク(AP-CNN)について紹介する。 AP-CNNは高レベルのセマンティックと低レベルの詳細な特徴表現の両方を学ぶ。 追加のバウンディングボックス/パートアノテーションを必要とせずに、エンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-02-09T12:33:23Z)

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。