論文の概要: Fast Estimation Method for the Stability of Ensemble Feature Selectors
- arxiv url: http://arxiv.org/abs/2108.01485v1
- Date: Tue, 3 Aug 2021 13:22:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-04 14:06:43.074506
- Title: Fast Estimation Method for the Stability of Ensemble Feature Selectors
- Title(参考訳): アンサンブル特徴セレクタの安定性の高速推定法
- Authors: Rina Onda, Zhengyan Gao, Masaaki Kotera, Kenta Oono
- Abstract要約: 機能セレクタは、より良い解釈と堅牢な予測のためにテキスト化可能であることが好ましい。
特徴セレクタのシミュレータを提案し,それをアンサンブル特徴セレクタの安定性の高速な推定に適用する。
- 参考スコア(独自算出の注目度): 8.984888893275714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is preferred that feature selectors be \textit{stable} for better
interpretabity and robust prediction. Ensembling is known to be effective for
improving the stability of feature selectors. Since ensembling is
time-consuming, it is desirable to reduce the computational cost to estimate
the stability of the ensemble feature selectors. We propose a simulator of a
feature selector, and apply it to a fast estimation of the stability of
ensemble feature selectors. To the best of our knowledge, this is the first
study that estimates the stability of ensemble feature selectors and reduces
the computation time theoretically and empirically.
- Abstract(参考訳): より良い解釈と堅牢な予測のために、機能セレクタは \textit{stable} であることが望ましい。
ensemblingは機能セレクタの安定性向上に有効であることが知られている。
アンサンブルは時間を要するため、アンサンブル特徴セレクタの安定性を推定するために計算コストを削減することが望ましい。
本稿では,特徴セレクタのシミュレータを提案し,アンサンブル特徴セレクタの安定性を高速に推定する。
我々の知る限りでは、アンサンブル特徴セレクタの安定性を推定し、理論的かつ経験的に計算時間を短縮する最初の研究である。
関連論文リスト
- A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳(メタデータ) (2024-12-11T22:12:21Z) - On the Selection Stability of Stability Selection and Its Applications [2.263635133348731]
本稿では,安定度選択フレームワークの全体的な安定性を評価するため,確立された安定度推定器の利用を拡大することを目的とする。
安定性推定器は、得られた結果の堅牢性を反映する参照として機能し、安定性を向上させるために最適な正規化値を特定するのに役立つ。
論文 参考訳(メタデータ) (2024-11-14T00:02:54Z) - Numerically Stable Sparse Gaussian Processes via Minimum Separation
using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。
地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文 参考訳(メタデータ) (2022-10-14T15:20:17Z) - Loss-guided Stability Selection [0.0]
LassoやBoostingのようなモデル選択手順は、実際のデータに過度に適合する傾向があることはよく知られている。
標準安定選択は、グローバルな基準、すなわち家族ごとのエラー率に基づいている。
選択された損失関数を付加的な検証ステップで尊重する安定性選択変種を提案する。
論文 参考訳(メタデータ) (2022-02-10T11:20:25Z) - Cluster Stability Selection [2.3986080077861787]
安定性の選択は、多くのサブサンプルで一貫して選択される機能のみを返すことで、機能選択メソッドをより安定させる。
クラスタ安定性の選択を導入し、データに高い相関クラスタが存在するという実践者の知識を活用する。
まとめると、クラスタ安定性の選択は両方の世界のベストを享受し、安定かつ良好な予測性能を持つスパース選択セットを得る。
論文 参考訳(メタデータ) (2022-01-03T06:28:17Z) - Optimal Rates for Random Order Online Optimization [60.011653053877126]
敵が損失関数を選択できるカテットガルバー2020onlineについて検討するが、一様にランダムな順序で提示される。
2020onlineアルゴリズムが最適境界を達成し,安定性を著しく向上することを示す。
論文 参考訳(メタデータ) (2021-06-29T09:48:46Z) - Employing an Adjusted Stability Measure for Multi-Criteria Model Fitting
on Data Sets with Similar Features [0.1127980896956825]
提案手法は,2つの確立したアプローチと比較して,同じあるいはより良い予測性能が得られることを示す。
このアプローチでは、関係のない機能や冗長な機能を避けながら、関連する機能を選択することに成功しています。
多くの類似した特徴を持つデータセットの場合、特徴選択安定性は調整された安定性尺度で評価されなければならない。
論文 参考訳(メタデータ) (2021-06-15T12:48:07Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳(メタデータ) (2021-05-17T08:36:18Z) - Learning Stabilizing Controllers for Unstable Linear Quadratic
Regulators from a Single Trajectory [85.29718245299341]
線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。
楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。
高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
論文 参考訳(メタデータ) (2020-06-19T08:58:57Z) - Leveraging Model Inherent Variable Importance for Stable Online Feature
Selection [16.396739487911056]
本稿では,オンライン機能選択のための新しいフレームワークFIRESを紹介する。
私たちのフレームワークは、基盤となるモデルの選択をユーザに委ねるという点で一般的です。
実験の結果,提案フレームワークは特徴選択安定性の点で明らかに優れていることがわかった。
論文 参考訳(メタデータ) (2020-06-18T10:01:18Z) - Distributionally Robust Bayesian Optimization [121.71766171427433]
そこで本研究では,ゼロ次雑音最適化のための分散ロバストなベイズ最適化アルゴリズム(DRBO)を提案する。
提案アルゴリズムは, 種々の設定において, 線形に頑健な後悔を確実に得る。
提案手法は, 実世界のベンチマークと実世界のベンチマークの両方において, 頑健な性能を示す。
論文 参考訳(メタデータ) (2020-02-20T22:04:30Z)
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。