論文の概要: Feature Selection integrated Deep Learning for Ultrahigh Dimensional and
Highly Correlated Feature Space
- arxiv url: http://arxiv.org/abs/2209.07011v2
- Date: Sun, 18 Sep 2022 17:10:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 12:52:56.850106
- Title: Feature Selection integrated Deep Learning for Ultrahigh Dimensional and
Highly Correlated Feature Space
- Title（参考訳）: 超高次元・高関連特徴空間のための特徴選択統合深層学習
- Authors: Arkaprabha Ganguli, Tapabrata Maiti
- Abstract要約: 本稿では,クラスタレベルの予測器のクラスタレベルの発見に深層学習を駆使した新しいスクリーニング・クリーニング手法を提案する。
広範囲のシミュレーションシナリオに対する徹底的な実証実験により,提案手法の有効性が実証された。
- 参考スコア（独自算出の注目度）: 0.456877715768796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, deep learning has been a topic of interest in almost all
disciplines due to its impressive empirical success in analyzing complex data
sets, such as imaging, genetics, climate, and medical data. While most of the
developments are treated as black-box machines, there is an increasing interest
in interpretable, reliable, and robust deep learning models applicable to a
broad class of applications. Feature-selected deep learning is proven to be
promising in this regard. However, the recent developments do not address the
situations of ultra-high dimensional and highly correlated feature selection in
addition to the high noise level. In this article, we propose a novel screening
and cleaning strategy with the aid of deep learning for the cluster-level
discovery of highly correlated predictors with a controlled error rate. A
thorough empirical evaluation over a wide range of simulated scenarios
demonstrates the effectiveness of the proposed method by achieving high power
while having a minimal number of false discoveries. Furthermore, we implemented
the algorithm in the riboflavin (vitamin $B_2$) production dataset in the
context of understanding the possible genetic association with riboflavin
production. The gain of the proposed methodology is illustrated by achieving
lower prediction error compared to other state-of-the-art methods.
- Abstract（参考訳）: 近年のディープラーニングは、画像、遺伝学、気候、医療データなどの複雑なデータセットを解析する実験的な成功により、ほぼすべての分野において関心を集めている。
開発のほとんどはブラックボックスマシンとして扱われるが、幅広い種類のアプリケーションに適用可能な解釈可能、信頼性、堅牢なディープラーニングモデルへの関心が高まっている。
機能選択されたディープラーニングはこの点に関して有望であることが証明されている。
しかし,近年の課題は,高騒音レベルに加えて,超高次元・高相関特徴選択の状況に対処していない。
本稿では,高度に相関のある予測器と制御された誤差率をクラスタレベルで発見するための深層学習の支援により,新しいスクリーニング・クリーニング戦略を提案する。
広範囲のシミュレーションシナリオに対する徹底的な実験的な評価は,提案手法の有効性を示すものである。
さらに, このアルゴリズムをリボフラビン生産と遺伝的関連性を理解するために, リボフラビン生産データセット(vitamin $B_2$)に実装した。
提案手法の利得は,他の最先端手法と比較して予測誤差を低くすることで示される。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A
Benchmarking Study [0.6291443816903801]
本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。
本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
論文 参考訳（メタデータ） (2024-02-11T19:12:51Z) - Snapshot Spectral Clustering -- a costless approach to deep clustering
ensembles generation [0.0]
本稿では,新しいディープ・クラスタリング・アンサンブル法であるSnapshot Spectral Clusteringを提案する。
アンサンブルを作成する際の計算コストを最小化しながら、複数のデータビューを組み合わせることで得られる利益を最大化するように設計されている。
論文 参考訳（メタデータ） (2023-07-17T16:01:22Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - CustOmics: A versatile deep-learning based strategy for multi-omics
integration [0.0]
本稿では,高次元マルチソース統合の場合のデータセットに適応する,カスタマイズ可能なオートエンコーダモデルを構築するための新しい戦略を提案する。
我々は,統合戦略が潜在表現に与える影響を評価し,新しい手法であるCustOmicsを提案する最善の戦略を組み合わせる。
論文 参考訳（メタデータ） (2022-09-12T14:20:29Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳（メタデータ） (2020-08-17T15:49:30Z)
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。