論文の概要: Low-rank Dictionary Learning for Unsupervised Feature Selection
- arxiv url: http://arxiv.org/abs/2106.11102v1
- Date: Mon, 21 Jun 2021 13:39:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 21:27:54.073553
- Title: Low-rank Dictionary Learning for Unsupervised Feature Selection
- Title（参考訳）: 教師なし特徴選択のための低ランク辞書学習
- Authors: Mohsen Ghassemi Parsa, Hadi Zare, Mehdi Ghatee
- Abstract要約: 低ランク表現に辞書学習のアイデアを適用することで、教師なしの新たな特徴選択手法を導入する。
非教師付き特徴選択のための統一目的関数は、$ell_2,1$-norm正規化によってスパースな方法で提案される。
実験の結果,提案手法は最先端のアルゴリズムよりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 11.634317251468968
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There exist many high-dimensional data in real-world applications such as
biology, computer vision, and social networks. Feature selection approaches are
devised to confront with high-dimensional data challenges with the aim of
efficient learning technologies as well as reduction of models complexity. Due
to the hardship of labeling on these datasets, there are a variety of
approaches on feature selection process in an unsupervised setting by
considering some important characteristics of data. In this paper, we introduce
a novel unsupervised feature selection approach by applying dictionary learning
ideas in a low-rank representation. Dictionary learning in a low-rank
representation not only enables us to provide a new representation, but it also
maintains feature correlation. Then, spectral analysis is employed to preserve
sample similarities. Finally, a unified objective function for unsupervised
feature selection is proposed in a sparse way by an $\ell_{2,1}$-norm
regularization. Furthermore, an efficient numerical algorithm is designed to
solve the corresponding optimization problem. We demonstrate the performance of
the proposed method based on a variety of standard datasets from different
applied domains. Our experimental findings reveal that the proposed method
outperforms the state-of-the-art algorithm.
- Abstract（参考訳）: 生物学、コンピュータビジョン、ソーシャルネットワークなど、現実世界の応用には多くの高次元データが存在する。
効率的な学習技術とモデルの複雑さの低減を目的として,高次元データ課題に対処すべく,特徴選択手法が考案された。
これらのデータセットのラベル付けが難しいため、データの重要な特性を考慮し、教師なし設定における特徴選択プロセスには様々なアプローチがある。
本稿では,辞書学習のアイデアを低ランク表現に適用し,教師なしの新たな特徴選択手法を提案する。
低ランク表現による辞書学習は,新しい表現の提供を可能にするだけでなく,特徴相関も維持する。
次に、スペクトル分析を用いてサンプル類似性を保存する。
最後に、教師なし特徴選択のための統一目的関数は、$\ell_{2,1}$-norm正規化によってスパース的に提案される。
さらに, 最適化問題を解くために, 効率的な数値アルゴリズムを考案した。
本稿では,様々な適用領域の標準データセットに基づいて提案手法の性能を示す。
実験の結果,提案手法が最先端アルゴリズムよりも優れていることがわかった。
関連論文リスト
- A Contrast Based Feature Selection Algorithm for High-dimensional Data
set in Machine Learning [9.596923373834093]
本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。
提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
論文 参考訳（メタデータ） (2024-01-15T05:32:35Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。
数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。
そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
論文 参考訳（メタデータ） (2022-01-07T02:46:35Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端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） (2021-04-11T03:25:25Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Adaptive Graph-based Generalized Regression Model for Unsupervised
Feature Selection [11.214334712819396]
非相関的かつ識別的特徴の選択は、教師なしの機能選択の重要な問題である。
非相関制約と $ell_2,1$-norm 正規化によって課される新しい一般化回帰モデルを提案する。
それは同時に同じ近所に属するこれらのデータ ポイントの分散を減らすこと無相関および差別的な特徴を選ぶことができます。
論文 参考訳（メタデータ） (2020-12-27T09:07:26Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-12-18T19:03:40Z) - Joint Adaptive Graph and Structured Sparsity Regularization for
Unsupervised Feature Selection [6.41804410246642]
本稿では,共同適応グラフと構造付き空間正規化unsupervised feature selection (JASFS)法を提案する。
最適な機能のサブセットがグループで選択され、選択された機能の数が自動的に決定される。
8つのベンチマーク実験の結果,提案手法の有効性と有効性を示した。
論文 参考訳（メタデータ） (2020-10-09T08:17:04Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2020-04-20T02:47:49Z) - IVFS: Simple and Efficient Feature Selection for High Dimensional
Topology Preservation [33.424663018395684]
本稿では,サンプル類似性保存を向上する簡易かつ効果的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、全データの対距離と位相パターンを適切に保存することができる。
論文 参考訳（メタデータ） (2020-04-02T23:05:00Z)
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。