論文の概要: Quantum Annealing for Automated Feature Selection in Stress Detection

• arxiv url: http://arxiv.org/abs/2106.05134v1
• Date: Wed, 9 Jun 2021 15:17:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 21:40:07.367898
• Title: Quantum Annealing for Automated Feature Selection in Stress Detection
• Title（参考訳）: 応力検出における自動特徴選択のための量子アニール
• Authors: Rajdeep Kumar Nath, Himanshu Thapliyal, Travis S. Humble
• Abstract要約: 量子アニーリング(QA)を用いた生理信号プールからの自動特徴部分選択手法を提案する。 特徴は足部EDA、手指EDA、心電図、呼吸の4つの信号源から抽出される。 その結果,QAに基づく特徴サブセット選択は古典的手法と同等に行われたことが示唆された。
• 参考スコア（独自算出の注目度）: 1.8047694351309205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel methodology for automated feature subset selection from a pool of physiological signals using Quantum Annealing (QA). As a case study, we will investigate the effectiveness of QA-based feature selection techniques in selecting the optimal feature subset for stress detection. Features are extracted from four signal sources: foot EDA, hand EDA, ECG, and respiration. The proposed method embeds the feature variables extracted from the physiological signals in a binary quadratic model. The bias of the feature variable is calculated using the Pearson correlation coefficient between the feature variable and the target variable. The weight of the edge connecting the two feature variables is calculated using the Pearson correlation coefficient between two feature variables in the binary quadratic model. Subsequently, D-Wave's clique sampler is used to sample cliques from the binary quadratic model. The underlying solution is then re-sampled to obtain multiple good solutions and the clique with the lowest energy is returned as the optimal solution. The proposed method is compared with commonly used feature selection techniques for stress detection. Results indicate that QA-based feature subset selection performed equally as that of classical techniques. However, under data uncertainty conditions such as limited training data, the performance of quantum annealing for selecting optimum features remained unaffected, whereas a significant decrease in performance is observed with classical feature selection techniques. Preliminary results show the promise of quantum annealing in optimizing the training phase of a machine learning classifier, especially under data uncertainty conditions.
• Abstract（参考訳）: 本稿では,QA(Quantum Annealing)を用いた生理信号プールからの特徴部分集合の自動選択手法を提案する。 ケーススタディとして、ストレス検出のための最適な特徴サブセットを選択する際に、QAに基づく特徴選択手法の有効性を検討する。 特徴は足部EDA、手指EDA、心電図、呼吸の4つの信号源から抽出される。 提案手法は,生理的信号から抽出した特徴変数を2次二次モデルに埋め込む。 特徴変数と対象変数とのピアソン相関係数を用いて特徴変数のバイアスを算出する。 2つの特徴変数を連結するエッジの重みは、2つの特徴変数間のピアソン相関係数を用いて計算される。 その後、D-Waveのclique samplerを用いて2次二次モデルからcliqueをサンプリングする。 基礎となる解は複数の良い解を得るために再サンプリングされ、最適解として最低エネルギーの傾斜が返される。 提案手法は, 応力検出に広く用いられている特徴選択手法と比較した。 その結果,QAに基づく特徴部分選択は古典的手法と同等に行われた。 しかし、限られた訓練データなどのデータ不確実性条件下では、最適な特徴を選択するための量子アニールの性能は影響を受けず、古典的な特徴選択技術では顕著な性能低下が見られる。 予備結果は、特にデータ不確実性条件下での機械学習分類器のトレーニングフェーズの最適化における量子アニーリングの期待を示す。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• 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)
• 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)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Fermionic Adaptive Sampling Theory for Variational Quantum Eigensolvers [0.0]
  ADAPT-VQEは、波動関数における演算子の重要性を推定する際、大きな測定オーバーヘッドに悩まされる。 波動関数におけるスレーター行列式の集団からのみ導かれる重要度に基づいて演算子を選択するFAST-VQEを提案する。
  論文  参考訳（メタデータ） (2023-03-13T18:57:18Z)
• Evolutionary quantum feature selection [0.0]
  本研究では,量子回路進化(QCE)アルゴリズムを用いた量子特徴選択法(EQFS)を提案する。 提案手法は,浅部深度回路を用いてスパース確率分布を生成するQCEのユニークな機能を利用する。 計算実験により、EQFSは特徴数の2次スケーリングと良い特徴の組み合わせを識別できることを示した。
  論文  参考訳（メタデータ） (2023-03-13T14:01:37Z)
• An Advantage Using Feature Selection with a Quantum Annealer [0.0]
  特徴選択(英: Feature selection)は、ターゲット変数に強い統計的接続を持つレコード中の特徴を識別する統計予測モデルにおける技法である。 本稿では、オープンソースのデータセットを利用して古典的手法に対するこの直感を検証し、各訓練された統計モデルの有効性を評価する。
  論文  参考訳（メタデータ） (2022-11-17T18:32:26Z)
• Feature Selection for Classification with QAOA [11.516147824168732]
  特徴選択は機械学習において非常に重要であり、分類、ランク付け、予測問題の次元化に使用できる。 我々は特に、すでに最適化に使われている近似量子最適化(QAOA)に対処できる二次的特徴選択問題を考える。 実験では,次元が21まで異なる7つの実世界のデータセットについて検討し,量子シミュレータと小型データセットの両方でQAOAを実行する。
  論文  参考訳（メタデータ） (2022-11-05T09:28:53Z)
• Quantum Feature Selection [2.5934039615414615]
  機械学習では、より少ない機能がモデルの複雑さを減少させる。 本稿では,2次非制約二元最適化問題に基づく特徴選択アルゴリズムを提案する。 反復法や欲求法とは対照的に、我々の直接的なアプローチは高品質な解をもたらす。
  論文  参考訳（メタデータ） (2022-03-24T16:22:25Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
  本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。 解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
  論文  参考訳（メタデータ） (2021-03-15T17:26:34Z)

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。