論文の概要: An Evolutionary Correlation-aware Feature Selection Method for
Classification Problems
- arxiv url: http://arxiv.org/abs/2110.13082v1
- Date: Sat, 16 Oct 2021 20:20:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-31 09:26:31.730702
- Title: An Evolutionary Correlation-aware Feature Selection Method for
Classification Problems
- Title（参考訳）: 分類問題に対する進化的相関認識特徴選択法
- Authors: Motahare Namakin, Modjtaba Rouhani, Mostafa Sabzekar
- Abstract要約: 本稿では,3つの目標を達成するために分布推定アルゴリズムを提案する。
第一に、EDAの拡張として、適合度関数に基づいて競合する各イテレーションにおいて、提案手法は2つの個人しか生成しない。
第二に、各イテレーションにおける個人の機能数を決定するためのガイド技術を提供する。
本論文の主な貢献として,各特徴の重要さだけでなく,特徴間の相互作用についても考察できる。
- 参考スコア（独自算出の注目度）: 3.2550305883611244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The population-based optimization algorithms have provided promising results
in feature selection problems. However, the main challenges are high time
complexity. Moreover, the interaction between features is another big challenge
in FS problems that directly affects the classification performance. In this
paper, an estimation of distribution algorithm is proposed to meet three goals.
Firstly, as an extension of EDA, the proposed method generates only two
individuals in each iteration that compete based on a fitness function and
evolve during the algorithm, based on our proposed update procedure. Secondly,
we provide a guiding technique for determining the number of features for
individuals in each iteration. As a result, the number of selected features of
the final solution will be optimized during the evolution process. The two
mentioned advantages can increase the convergence speed of the algorithm.
Thirdly, as the main contribution of the paper, in addition to considering the
importance of each feature alone, the proposed method can consider the
interaction between features. Thus, it can deal with complementary features and
consequently increase classification performance. To do this, we provide a
conditional probability scheme that considers the joint probability
distribution of selecting two features. The introduced probabilities
successfully detect correlated features. Experimental results on a synthetic
dataset with correlated features prove the performance of our proposed approach
facing these types of features. Furthermore, the results on 13 real-world
datasets obtained from the UCI repository show the superiority of the proposed
method in comparison with some state-of-the-art approaches.
- Abstract（参考訳）: 人口ベース最適化アルゴリズムは特徴選択問題において有望な結果をもたらした。
しかし、主な課題は、高時間の複雑さである。
さらに、機能間の相互作用は、分類性能に直接影響を与えるFS問題におけるもう一つの大きな課題である。
本稿では,分布アルゴリズムの3つの目標を満たした推定手法を提案する。
第一に,提案手法はedaの拡張として,提案手法が提案する更新手順に基づき,適応関数に基づいて競争し,アルゴリズム中に進化するイテレーション毎に2個のみを生成する。
第二に、各イテレーションにおける個人の機能数を決定するためのガイド技術を提供する。
その結果、最終ソリューションの選択された特徴の数は、進化過程中に最適化される。
2つの利点はアルゴリズムの収束速度を向上させることである。
第3に,本論文の主な貢献として,各特徴の重要性を考えることに加えて,提案手法では特徴間の相互作用を考察できる。
これにより、補完的な特徴に対処でき、その結果分類性能が向上する。
そこで本研究では,2つの特徴の同時確率分布を考慮した条件付き確率スキームを提案する。
導入された確率は相関した特徴をうまく検出する。
相関した特徴を持つ合成データセットの実験結果から,これらの特徴に直面する提案手法の有効性が証明された。
さらに、UCIレポジトリから得られた13の実世界のデータセットの結果は、いくつかの最先端手法と比較して提案手法の優位性を示している。
関連論文リスト
- Large-scale Multi-objective Feature Selection: A Multi-phase Search Space Shrinking Approach [0.27624021966289597]
特徴の選択は、特に高次元データセットにおいて、機械学習において重要なステップである。
本稿では,LMSSSと呼ばれる探索空間の縮小に基づく大規模多目的進化アルゴリズムを提案する。
提案アルゴリズムの有効性は、15の大規模データセットに対する包括的実験によって実証される。
論文 参考訳（メタデータ） (2024-10-13T23:06:10Z) - Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - 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) - 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) - A metaheuristic multi-objective interaction-aware feature selection
method [5.28539620288341]
本稿では,いくつかの利点を有する新しい多目的特徴選択法を提案する。
高度な確率スキームを用いて特徴間の相互作用を考察する。
提案手法は,提案した確率スキームを用いて,より有望な子孫を生成する。
論文 参考訳（メタデータ） (2022-11-10T08:56:48Z) - Fair Feature Subset Selection using Multiobjective Genetic Algorithm [0.0]
フェアネスと精度を両立させる特徴部分選択手法を提案する。
モデル性能の指標としてF1-Scoreを用いる。
最も一般的なフェアネスベンチマークデータセットの実験では、進化的アルゴリズムを用いることで、フェアネスと精度のトレードオフを効果的に探索できることが示されている。
論文 参考訳（メタデータ） (2022-04-30T22:51:19Z) - 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) - 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) - 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) - A Novel Community Detection Based Genetic Algorithm for Feature
Selection [3.8848561367220276]
著者らは3つのステップで機能するコミュニティ検出に基づく遺伝的アルゴリズムを提案する。
提案手法の性能から,9つのベンチマーク分類問題を解析した。
論文 参考訳（メタデータ） (2020-08-08T15:39:30Z) - On-the-Fly Joint Feature Selection and Classification [16.84451472788859]
本稿では,共同で特徴選択と分類を行うためのフレームワークを提案する。
我々は、関連する最適化問題の最適解を導出し、その構造を解析する。
提案アルゴリズムの性能を複数の公開データセット上で評価する。
論文 参考訳（メタデータ） (2020-04-21T19:19:39Z)
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。