論文の概要: High-Order Conditional Mutual Information Maximization for dealing with High-Order Dependencies in Feature Selection

• arxiv url: http://arxiv.org/abs/2207.08476v1
• Date: Mon, 18 Jul 2022 09:57:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 19:07:48.615414
• Title: High-Order Conditional Mutual Information Maximization for dealing with High-Order Dependencies in Feature Selection
• Title（参考訳）: 特徴選択における高次依存処理のための高次条件付き相互情報最大化
• Authors: Francisco Souza and Cristiano Premebida and Rui Ara\'ujo
• Abstract要約: 本稿では,条件付き相互情報(CMI)に基づく特徴選択手法を提案する。 提案したHigh Conditional Mutual Information Maximization (HOCMIM)は,高次依存関係を特徴選択手順に組み込む。 HOCMIMは精度で最良の結果を得ることができ、高次特徴選択よりも高速であることを示す。
• 参考スコア（独自算出の注目度）: 1.3664682865991256
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a novel feature selection method based on the conditional mutual information (CMI). The proposed High Order Conditional Mutual Information Maximization (HOCMIM) incorporates high order dependencies into the feature selection procedure and has a straightforward interpretation due to its bottom-up derivation. The HOCMIM is derived from the CMI's chain expansion and expressed as a maximization optimization problem. The maximization problem is solved using a greedy search procedure, which speeds up the entire feature selection process. The experiments are run on a set of benchmark datasets (20 in total). The HOCMIM is compared with eighteen state-of-the-art feature selection algorithms, from the results of two supervised learning classifiers (Support Vector Machine and K-Nearest Neighbor). The HOCMIM achieves the best results in terms of accuracy and shows to be faster than high order feature selection counterparts.
• Abstract（参考訳）: 本稿では,条件付き相互情報(CMI)に基づく特徴選択手法を提案する。 提案した高次条件付き相互情報最大化(HOCMIM)は,高次依存関係を特徴選択手順に組み込んだもので,ボトムアップの導出による分かりやすい解釈である。 HOCMIMはCMIのチェーン展開から導かれ、最大化最適化問題として表される。 最大化問題は、特徴選択プロセス全体を高速化する欲求探索手順を用いて解決される。 実験は、一連のベンチマークデータセット(合計20件)で実行される。 hocmimは、2つの教師付き学習分類器(サポートベクターマシンとk-nearest近傍)の結果から18の最先端特徴選択アルゴリズムと比較される。 HOCMIMは精度で最良の結果を得ることができ、高次特徴選択よりも高速であることを示す。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Distance-based mutual congestion feature selection with genetic algorithm for high-dimensional medical datasets [2.6037922505725675]
  あらゆるデータ分布に適用可能な、普遍的に最適な特徴選択方法はありません。 本稿では, 応答変数の特徴値と観測値の分布を考慮したフィルタ手法として, 距離に基づくMutual Congestion (DMC)を提案する。 ハイブリッドDMC-GAwARはバイナリ分類データセットに適用でき、最近の研究よりもその優位性を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-07-22T13:08:50Z)
• Column and row subset selection using nuclear scores: algorithms and theory for Nyström approximation, CUR decomposition, and graph Laplacian reduction [0.0]
  我々は,高速,効率的,理論的に保証された列選択のための統一手法を開発した。 まず、カーネル近似やCUR分解といったタスクに適用可能な空間分割決定アルゴリズムを導出し、実装する。 次に、保証濃度境界を満たすランダム化スキームに依存する行列自由形式を考案する。
  論文  参考訳（メタデータ） (2024-07-01T18:10:19Z)
• MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
  NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。 本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。 ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T05:59:52Z)
• 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)
• Beyond Discrete Selection: Continuous Embedding Space Optimization for Generative Feature Selection [34.32619834917906]
  我々は、特徴選択問題を深い微分可能な最適化タスクとして再構成する。 本稿では,離散的特徴部分集合を連続的な埋め込み空間として概念化する,新しい原理的な研究視点を提案する。 具体的には、強化特徴選択学習を利用して、多種多様な高品質なトレーニングデータを生成する。
  論文  参考訳（メタデータ） (2023-02-26T03:18:45Z)
• 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)
• Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
  マルコフ決定過程における純粋探索問題について検討する。 エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
  論文  参考訳（メタデータ） (2021-06-05T09:16:28Z)
• Fast Greedy Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization [11.110675371854988]
  本稿では,超体積,IGD,IGD+インジケータのグリーディ部分選択の効率について論じる。 我々の考えは、超体積インジケータで知られている部分モジュラー特性を用いて、それらの効率を改善することである。
  論文  参考訳（メタデータ） (2021-02-01T16:14:15Z)
• Robust Multi-class Feature Selection via $l_{2,0}$-Norm Regularization Minimization [6.41804410246642]
  特徴選択は、データマイニングと機械学習において重要な計算処理である。 本稿では,複数クラスの特徴選択における最小二乗問題の解法として,ホモシーハードしきい値(HIHT)に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-08T02:06:06Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)

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。