論文の概要: Understanding the classes better with class-specific and rule-specific
feature selection, and redundancy control in a fuzzy rule based framework
- arxiv url: http://arxiv.org/abs/2208.01294v1
- Date: Tue, 2 Aug 2022 07:45:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 13:25:34.812340
- Title: Understanding the classes better with class-specific and rule-specific
feature selection, and redundancy control in a fuzzy rule based framework
- Title（参考訳）: ファジィルールに基づくフレームワークにおけるクラス特化およびルール特化特徴の選択と冗長性制御の理解
- Authors: Suchismita Das, Nikhil R. Pal
- Abstract要約: 本稿ではファジィルールに基づく分類器に組込み,クラス固有の特徴選択手法を提案する。
本手法はクラス固有のサブセットを含むクラス固有のルールを生成する。
提案手法の有効性は3つの合成データセットの実験を通して検証された。
- 参考スコア（独自算出の注目度）: 5.5612170847190665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, several studies have claimed that using class-specific feature
subsets provides certain advantages over using a single feature subset for
representing the data for a classification problem. Unlike traditional feature
selection methods, the class-specific feature selection methods select an
optimal feature subset for each class. Typically class-specific feature
selection (CSFS) methods use one-versus-all split of the data set that leads to
issues such as class imbalance, decision aggregation, and high computational
overhead. We propose a class-specific feature selection method embedded in a
fuzzy rule-based classifier, which is free from the drawbacks associated with
most existing class-specific methods. Additionally, our method can be adapted
to control the level of redundancy in the class-specific feature subsets by
adding a suitable regularizer to the learning objective. Our method results in
class-specific rules involving class-specific subsets. We also propose an
extension where different rules of a particular class are defined by different
feature subsets to model different substructures within the class. The
effectiveness of the proposed method has been validated through experiments on
three synthetic data sets.
- Abstract（参考訳）: 近年、いくつかの研究では、クラス固有の特徴サブセットを使用することは、分類問題に対するデータを表現するために単一の特徴サブセットを使用するよりも、ある程度の利点があると主張している。
従来の特徴選択方法とは異なり、クラス固有の特徴選択方法は各クラスに対して最適な特徴サブセットを選択する。
通常、クラス固有の特徴選択(CSFS)メソッドは、クラス不均衡、決定集約、高い計算オーバーヘッドなどの問題を引き起こすデータセットの1対全分割を使用する。
本稿では,ファジィルールに基づく分類器に組み込んだクラス固有の特徴選択手法を提案する。
さらに,本手法は,学習目的に適切な正規化子を加えることで,クラス固有の特徴部分集合の冗長度を制御できる。
本手法はクラス固有のサブセットを含むクラス固有のルールを生成する。
また、特定のクラスの異なるルールが異なる機能サブセットによって定義され、クラス内の異なるサブ構造をモデル化する拡張も提案する。
提案手法の有効性は3つの合成データセットの実験を通して検証された。
関連論文リスト
- Class-specific feature selection for classification explainability [0.0]
この研究はまず、特徴の選択と分類に焦点をあてて、クラス固有の概念の包括的なレビューを紹介する。
クラス固有の概念の基本的な考え方は、各特徴の重要性があるクラスから別のクラスに変化するという理解にある。
このクラス固有の観点は、各クラス固有の特徴を認識し、活用することによって、分類タスクに対するより効果的なアプローチを提供する。
論文 参考訳（メタデータ） (2024-11-02T10:31:55Z) - 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) - Feature selection simultaneously preserving both class and cluster
structures [5.5612170847190665]
本稿では,クラス識別と構造保存の両方を統合的に重視するニューラルネットワークに基づく特徴選択手法を提案する。
実験の結果から,提案した特徴/帯域選択により,分類とクラスタリングの両方に適する特徴のサブセットを選択できると主張する。
論文 参考訳（メタデータ） (2023-07-08T04:49:51Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳（メタデータ） (2022-12-23T00:50:41Z) - 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) - Multi-Class Classification from Single-Class Data with Confidences [90.48669386745361]
本稿では,損失/モデル/最適化非依存のリスク最小化フレームワークを提案する。
提案手法は, 与えられた信頼度が高ノイズであっても, 簡易な修正でベイズ整合性を示す。
論文 参考訳（メタデータ） (2021-06-16T15:38:13Z) - Relearning ensemble selection based on new generated features [0.0]
提案手法は,3つのベンチマークデータセットと1つの合成データセットを用いて,最先端のアンサンブル手法と比較した。
提案手法の評価には4つの分類性能指標を用いる。
論文 参考訳（メタデータ） (2021-06-12T12:45:32Z) - Meta Learning for Few-Shot One-class Classification [0.0]
メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。
これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。
数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2020-09-11T11:35:28Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳（メタデータ） (2020-07-03T18:23:39Z) - 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) - Selecting Relevant Features from a Multi-domain Representation for
Few-shot Classification [91.67977602992657]
本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。
このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
論文 参考訳（メタデータ） (2020-03-20T15:44:17Z)
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。