論文の概要: Sparsity-based Feature Selection for Anomalous Subgroup Discovery
- arxiv url: http://arxiv.org/abs/2201.02008v1
- Date: Thu, 6 Jan 2022 10:56:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 18:45:50.940457
- Title: Sparsity-based Feature Selection for Anomalous Subgroup Discovery
- Title(参考訳): 異常部分群発見のための空間的特徴選択
- Authors: Girmaw Abebe Tadesse, William Ogallo, Catherine Wanjiru, Charles
Wachira, Isaiah Onando Mulang', Vibha Anand, Aisha Walcott-Bryant, Skyler
Speakman
- Abstract要約: 異常パターン検出は、正常性からの逸脱が明らかであり、ドメイン間で広く適用可能なインスタンスを特定することを目的としている。
効率的な発見のための原則的かつスケーラブルな特徴選択方法が欠如している点が一般的である。
本稿では,機能駆動オッズ比の分散化によるシステム結果のずれをエンコードする,疎度に基づく自動特徴選択フレームワークを提案する。
- 参考スコア(独自算出の注目度): 5.960402015658508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anomalous pattern detection aims to identify instances where deviation from
normalcy is evident, and is widely applicable across domains. Multiple
anomalous detection techniques have been proposed in the state of the art.
However, there is a common lack of a principled and scalable feature selection
method for efficient discovery. Existing feature selection techniques are often
conducted by optimizing the performance of prediction outcomes rather than its
systemic deviations from the expected. In this paper, we proposed a
sparsity-based automated feature selection (SAFS) framework, which encodes
systemic outcome deviations via the sparsity of feature-driven odds ratios.
SAFS is a model-agnostic approach with usability across different discovery
techniques. SAFS achieves more than $3\times$ reduction in computation time
while maintaining detection performance when validated on publicly available
critical care dataset. SAFS also results in a superior performance when
compared against multiple baselines for feature selection.
- Abstract(参考訳): 異常パターン検出は、正規性からの逸脱が明らかなインスタンスを識別することを目的としており、ドメイン間で広く適用できる。
最先端では複数の異常検出技術が提案されている。
しかし、効率的な発見のための原則的でスケーラブルな特徴選択手法が欠如している。
既存の特徴選択手法は、期待値から体系的な逸脱よりも予測結果のパフォーマンスを最適化することで実施されることが多い。
本稿では,特徴駆動オッズ比の分散化によるシステム結果のずれをエンコードする,スパーシティに基づく自動特徴選択(SAFS)フレームワークを提案する。
SAFSは、さまざまな発見技術にまたがるユーザビリティを備えた、モデルに依存しないアプローチである。
SAFSは、一般公開されたクリティカルケアデータセットで検証された場合、検出性能を維持しながら、計算時間を3ドル以上削減する。
SAFSはまた、特徴選択のための複数のベースラインと比較して、優れたパフォーマンスをもたらす。
関連論文リスト
- 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) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Budgeted Classification with Rejection: An Evolutionary Method with
Multiple Objectives [0.0]
予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。
これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。
本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-01T22:05:16Z) - Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。
提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文 参考訳(メタデータ) (2022-04-23T02:45:55Z) - Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。
提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
論文 参考訳(メタデータ) (2022-03-09T01:55:59Z) - 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) - Dynamic Bayesian Approach for decision-making in Ego-Things [8.577234269009042]
本稿では,マルチセンサデータと特徴選択に基づく動的システムの異常検出手法を提案する。
成長型ニューラルガス(GNG)は、マルチセンサーデータを一連のノードにクラスタリングするために使用される。
本手法は状態推定と異常検出にマルコフジャンプ粒子フィルタ(MJPF)を用いる。
論文 参考訳(メタデータ) (2020-10-28T11:38:51Z) - 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) - 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) - Outlier Detection Ensemble with Embedded Feature Selection [42.8338013000469]
組込み特徴選択(ODEFS)を用いた外乱検出アンサンブルフレームワークを提案する。
各ランダムなサブサンプリングベースの学習コンポーネントに対して、ODEFSは、特徴選択と外れ値検出をペアのランキング式に統一する。
我々は、特徴選択と例選択を同時に最適化するために閾値付き自己評価学習を採用する。
論文 参考訳(メタデータ) (2020-01-15T13:14:10Z)
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。