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
- 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) - Multi-objective Binary Coordinate Search for Feature Selection [0.24578723416255746]
大規模特徴選択問題の解法として,二元多目的座標探索(MOCS)アルゴリズムを提案する。
その結果,実世界の5つの大規模データセットにおいて,NSGA-IIよりも提案手法が優れていることが示唆された。
論文 参考訳(メタデータ) (2024-02-20T00:50:26Z) - 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) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳(メタデータ) (2022-10-04T04:43:58Z) - Stop Overcomplicating Selective Classification: Use Max-Logit [2.3677503557659705]
我々は、データセットの望ましいカバレッジで最高のパフォーマンスを達成することを目標とする選択分類の問題に取り組む。
最近の最先端の選択手法は、別個のセレクションヘッドを導入するか、余分な禁忌ロジットを導入することによってアーキテクチャの変更が伴う。
我々は,より一般化可能な分類器の訓練に,最先端手法の優れた性能を負うことを確認することで,選択分類の驚くべき結果を示す。
論文 参考訳(メタデータ) (2022-06-17T22:23:11Z) - 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) - Supervised Hyperalignment for multi-subject fMRI data alignment [81.8694682249097]
本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。
マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
論文 参考訳(メタデータ) (2020-01-09T09:17:49Z)
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。