論文の概要: A Subspace-based Approach for Dimensionality Reduction and Important Variable Selection

• arxiv url: http://arxiv.org/abs/2106.01584v1
• Date: Thu, 3 Jun 2021 04:10:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-05 01:14:51.644062
• Title: A Subspace-based Approach for Dimensionality Reduction and Important Variable Selection
• Title（参考訳）: 部分空間に基づく次元削減と重要変数選択へのアプローチ
• Authors: Di Bo, Hoon Hwangbo, Vinit Sharma, Corey Arndt, Stephanie C. TerMaath
• Abstract要約: 本研究では, ランダム化探索に基づいて, 部分空間, 縮小次元の物理空間を創出する手法を提案する。 複合金属開発プロセスから収集した高次元データに適用した場合,提案手法は予測および重要な変数選択において,その優位性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An analysis of high dimensional data can offer a detailed description of a system but is often challenged by the curse of dimensionality. General dimensionality reduction techniques can alleviate such difficulty by extracting a few important features, but they are limited due to the lack of interpretability and connectivity to actual decision making associated with each physical variable. Important variable selection techniques, as an alternative, can maintain the interpretability, but they often involve a greedy search that is susceptible to failure in capturing important interactions. This research proposes a new method that produces subspaces, reduced-dimensional physical spaces, based on a randomized search and forms an ensemble of models for critical subspaces. When applied to high-dimensional data collected from a composite metal development process, the proposed method shows its superiority in prediction and important variable selection.
• Abstract（参考訳）: 高次元データの分析は、システムの詳細な記述を提供するが、しばしば次元の呪いによって挑戦される。 一般次元還元技術は、いくつかの重要な特徴を抽出することで、そのような困難を軽減できるが、各物理変数に関連する実際の意思決定に対する解釈性や接続性の欠如により制限されている。 代替として重要な変数選択テクニックは、解釈可能性を維持することができるが、それらはしばしば重要な相互作用を捉えるのに失敗しやすい欲深い探索を伴う。 本研究では, ランダム化探索に基づく部分空間, 縮小次元物理空間を創出し, 臨界部分空間に対するモデルのアンサンブルを形成する手法を提案する。 複合金属開発プロセスから収集した高次元データに適用すると,予測および重要な変数選択において,その優位性を示す。

関連論文リスト

• Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets [0.0]
  我々は,高次元データから低次元記述を得る手段として,次元減少の科学に焦点をあてる。 我々は,システム内の複雑な相互作用や高次元力学系など,従来の仮定に反する実世界のデータによって引き起こされる課題に対処する。
  論文  参考訳（メタデータ） (2024-10-23T21:27:40Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Selecting Features by their Resilience to the Curse of Dimensionality [0.0]
  実世界のデータセットは、しばしば高次元であり、次元性の呪いによって影響される。 ここでは、異なるサイズのデータサブセットを識別できる特徴を識別する新しい手法について述べる。 実験の結果,提案手法は競争力があり,確立された特徴選択法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-05T14:26:23Z)
• Interpretable Linear Dimensionality Reduction based on Bias-Variance Analysis [45.3190496371625]
  本稿では,特徴の解釈可能性を維持するための基本次元削減手法を提案する。 このように、全ての特徴を考慮し、次元性を減らし、解釈可能性を保持する。
  論文  参考訳（メタデータ） (2023-03-26T14:30:38Z)
• DimenFix: A novel meta-dimensionality reduction method for feature preservation [64.0476282000118]
  そこで我々は, グラデーション・ディフレッシブなプロセスを含む任意の基本次元還元法で操作できる新しいメタメソド, DimenFixを提案する。 DimenFixは、ディメンタリティの削減と見なされるさまざまな機能の重要性をユーザが定義できるようにすることで、与えられたデータセットを視覚化し、理解する新たな可能性を生み出します。
  論文  参考訳（メタデータ） (2022-11-30T05:35:22Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• A survey of unsupervised learning methods for high-dimensional uncertainty quantification in black-box-type problems [0.0]
  複素偏微分方程式(PPDE)上の量子化不確実性(UQ)のための代理モデルを構築する。 次元性の呪いは、適切な教師なし学習技術で使用される事前次元の部分空間である。 我々は,m-PCEモデルの利点と限界を実証し,m-PCEモデルが深部部分空間に対するコスト効率の良いアプローチを提供すると結論付けた。
  論文  参考訳（メタデータ） (2022-02-09T16:33:40Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Linear Tensor Projection Revealing Nonlinearity [0.294944680995069]
  次元の減少は高次元データの学習に有効な方法である。 本稿では,元データ情報を可能な限り多く保持しつつ,予測精度を最大化する部分空間を探索する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-08T06:10:39Z)

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。