論文の概要: Canonical-Correlation-Based Fast Feature Selection for Structural Health Monitoring
- arxiv url: http://arxiv.org/abs/2106.08247v2
- Date: Mon, 9 Sep 2024 07:11:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 00:23:12.387772
- Title: Canonical-Correlation-Based Fast Feature Selection for Structural Health Monitoring
- Title(参考訳): 構造的健康モニタリングのためのカノニカル相関に基づく高速特徴選択
- Authors: Sikai Zhang, Tingna Wang, Keith Worden, Limin Sun, Elizabeth J. Cross,
- Abstract要約: 本稿では,観測された特徴と欲求探索における対象変数の2乗正準相関係数の和を効率的に計算し,高速な特徴選択アルゴリズムを提案する。
提案アルゴリズムは, 計算速度, 一般分類, 回帰タスク, 損傷に敏感な特徴選択タスクの両面において, その優位性を示すために, 合成データセットと実データセットの両方に適用される。
- 参考スコア(独自算出の注目度): 4.533223834527272
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Feature selection refers to the process of selecting useful features for machine learning tasks, and it is also a key step for structural health monitoring (SHM). This paper proposes a fast feature selection algorithm by efficiently computing the sum of squared canonical correlation coefficients between monitored features and target variables of interest in greedy search. The proposed algorithm is applied to both synthetic and real datasets to illustrate its advantages in terms of computational speed, general classification and regression tasks, as well as damage-sensitive feature selection tasks. Furthermore, the performance of the proposed algorithm is evaluated under varying environmental conditions and on an edge computing device to investigate its applicability in real-world SHM scenarios. The results show that the proposed algorithm can successfully select useful features with extraordinarily fast computational speed, which implies that the proposed algorithm has great potential where features need to be selected and updated online frequently, or where devices have limited computing capability.
- Abstract(参考訳): 特徴選択とは、機械学習タスクに有用な機能を選択するプロセスであり、構造的健康モニタリング(SHM)の重要なステップでもある。
本稿では,観測された特徴と欲求探索における対象変数の2乗正準相関係数の和を効率的に計算し,高速な特徴選択アルゴリズムを提案する。
提案アルゴリズムは, 計算速度, 一般分類, 回帰タスク, 損傷に敏感な特徴選択タスクの両面において, その優位性を示すために, 合成データセットと実データセットの両方に適用される。
さらに,提案アルゴリズムの性能を環境条件やエッジ・コンピューティング・デバイス上で評価し,実世界のSHMシナリオへの適用性について検討した。
この結果から,提案アルゴリズムは極めて高速な計算速度で有用な特徴を選択できることが示唆された。
関連論文リスト
- Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。
合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
論文 参考訳(メタデータ) (2024-07-14T09:32:20Z) - Conformal Classification with Equalized Coverage for Adaptively Selected Groups [9.016173836219524]
本稿では、適応的に選択された特徴に対して有効なカバレッジ条件付き予測セットを生成することにより、分類の不確かさを評価するための共形推論手法を提案する。
シミュレーションおよび実データに対して,本手法の有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-05-23T23:32:37Z) - Obtaining Explainable Classification Models using Distributionally
Robust Optimization [12.511155426574563]
特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。
ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。
我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
論文 参考訳(メタデータ) (2023-11-03T15:45:34Z) - Heuristic Search for Rank Aggregation with Application to Label Ranking [16.275063634853584]
本稿では,階層化問題を解くために,効果的なハイブリッド進化的ランキングアルゴリズムを提案する。
このアルゴリズムは、コンコーダントペアに基づくセマンティッククロスオーバーと、効率的な漸進的評価手法によって強化された遅延受容局所探索を特徴とする。
アルゴリズムを評価するために実験が行われ、ベンチマークインスタンス上での高い競争性能を示す。
論文 参考訳(メタデータ) (2022-01-11T11:43:17Z) - An Efficient and Accurate Rough Set for Feature Selection,
Classification and Knowledge Representation [89.5951484413208]
本稿では, 特徴選択, 分類, 知識表現を同時に実現する, 粗集合に基づく強力なデータマイニング手法を提案する。
まず, ノイズ特性の処理において, 粗集合の非効率性について検討し, 相対的重要度と呼ばれる特性のロバストな測定法を提案する。
公開ベンチマークデータセットによる実験結果から,提案フレームワークは7つの人気や最先端の機能選択手法よりも精度が高いことがわかった。
論文 参考訳(メタデータ) (2021-12-29T12:45:49Z) - Multivariate feature ranking of gene expression data [62.997667081978825]
ペアワイズ相関とペアワイズ整合性に基づく2つの新しい多変量特徴ランキング手法を提案する。
提案手法は, クラスタリング変動, チ・スクエアド, 相関, 情報ゲイン, ReliefF および Significance の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-03T17:19:53Z) - Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise
Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。
本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。
提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文 参考訳(メタデータ) (2021-10-08T13:51:55Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳(メタデータ) (2021-05-23T19:21:55Z) - Sequential Learning-based IaaS Composition [0.11470070927586014]
時間条件優先ネットワーク(TempCP-net)に含まれる決定変数
時系列類似度尺度に基づくtextitk-d tree indexingを用いて、リクエストの集合のグローバル嗜好ランキングを算出する。
構成における要求の受け入れや拒否に要求の長さを適用する、オンポリシーに基づく逐次選択学習手法を設計する。
論文 参考訳(メタデータ) (2021-02-24T23:16:01Z) - Orthogonal Least Squares Based Fast Feature Selection for Linear
Classification [0.0]
両項分類と多項分類の両方において, 直交小角(OLS)に基づく特徴選択法を提案する。
Squared Orthogonal Correlation Coefficient(SOCC)はOLSのエラー低減率(ERR)に基づいて定義され、機能ランキング基準として使用されます。
論文 参考訳(メタデータ) (2021-01-21T10:42:06Z) - Clustering Binary Data by Application of Combinatorial Optimization
Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。
近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。
準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文 参考訳(メタデータ) (2020-01-06T23:33:31Z)
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。