論文の概要: A GA-like Dynamic Probability Method With Mutual Information for Feature Selection

• arxiv url: http://arxiv.org/abs/2210.11954v1
• Date: Fri, 21 Oct 2022 13:30:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 13:43:53.885675
• Title: A GA-like Dynamic Probability Method With Mutual Information for Feature Selection
• Title（参考訳）: 特徴選択のための相互情報を用いたga様動的確率法
• Authors: Gaoshuai Wang, Fabrice Lauri, and Amir Hajjam El Hassani
• Abstract要約: 相互情報を用いたGADP(GA-like dynamic probability)手法を提案する。 各遺伝子の確率は独立であるため、GADPの染色体変異は従来のGAよりも顕著である。 提案手法の優位性を検証するため,15個のデータセット上で複数の条件下で評価を行った。
• 参考スコア（独自算出の注目度）: 1.290382979353427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature selection plays a vital role in promoting the classifier's performance. However, current methods ineffectively distinguish the complex interaction in the selected features. To further remove these hidden negative interactions, we propose a GA-like dynamic probability (GADP) method with mutual information which has a two-layer structure. The first layer applies the mutual information method to obtain a primary feature subset. The GA-like dynamic probability algorithm, as the second layer, mines more supportive features based on the former candidate features. Essentially, the GA-like method is one of the population-based algorithms so its work mechanism is similar to the GA. Different from the popular works which frequently focus on improving GA's operators for enhancing the search ability and lowering the converge time, we boldly abandon GA's operators and employ the dynamic probability that relies on the performance of each chromosome to determine feature selection in the new generation. The dynamic probability mechanism significantly reduces the parameter number in GA that making it easy to use. As each gene's probability is independent, the chromosome variety in GADP is more notable than in traditional GA, which ensures GADP has a wider search space and selects relevant features more effectively and accurately. To verify our method's superiority, we evaluate our method under multiple conditions on 15 datasets. The results demonstrate the outperformance of the proposed method. Generally, it has the best accuracy. Further, we also compare the proposed model to the popular heuristic methods like POS, FPA, and WOA. Our model still owns advantages over them.
• Abstract（参考訳）: 特徴選択は、分類器のパフォーマンスを促進する上で重要な役割を果たす。 しかし、現在の手法は、選択された特徴の複雑な相互作用を効果的に区別しない。 これらの隠れた負の相互作用を更に除去するため,二層構造を有する相互情報を持つga様動的確率(gadp)法を提案する。 第1の層は、プライマリ機能サブセットを取得するために相互情報法を適用する。 GAライクな動的確率アルゴリズムは、第2層として、以前の候補特徴に基づいてより支持的な特徴を抽出する。 基本的に、GAライクな手法は人口ベースアルゴリズムの1つであるため、その作業機構はGAと類似している。 検索能力の向上や収束時間の短縮に重点を置くGA演算子に注目する人気作品とは違い,我々はGA演算子を大胆に放棄し,各染色体の性能に依存した動的確率を用いて新世代の特徴選択を決定する。 動的確率機構はGAのパラメータ数を著しく減少させ、使いやすくする。 各遺伝子の確率が独立しているため、GADPの染色体変異は従来のGAよりも顕著であり、GADPはより広い検索空間を持ち、より効果的かつ正確に関連する特徴を選択する。 提案手法の優位性を検証するため,15個のデータセット上で複数の条件下で評価を行った。 その結果,提案手法の有効性が示された。 一般的には、最も正確である。 さらに,提案モデルとPOS, FPA, WOAなどの一般的なヒューリスティック手法を比較した。 我々のモデルは今でも彼らより有利だ。

関連論文リスト

• Private Selection with Heterogeneous Sensitivities [2.0936724675062406]
  微分プライベート(DP)選択は、有限候補プールからハイスコア候補を選択することを含む。 この問題は、モデル選択、仮説テスト、および多くのDPアルゴリズムを含む様々な文脈で自然に発生する。 これを解決するために、GEM(Generalized Exponential Mechanism)のようなアルゴリズムは、候補感度の可変性を利用する。
  論文  参考訳（メタデータ） (2025-01-09T15:25:07Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Differentially Private Random Feature Model [52.468511541184895]
  プライバシを保存するカーネルマシンに対して,差分的にプライベートな特徴モデルを作成する。 本手法は,プライバシを保護し,一般化誤差を導出する。
  論文  参考訳（メタデータ） (2024-12-06T05:31:08Z)
• Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
  本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。 合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-14T09:32:20Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• Fair Feature Selection: A Comparison of Multi-Objective Genetic Algorithms [0.0]
  本稿では,分類器による予測の精度と公平性の両方を最大化することを目的とした特徴部分集合を選択する手法として,分類のための公平な特徴選択に焦点を当てる。 最近提案された2つの遺伝的アルゴリズム(GA)を,2つの異なる多目的最適化手法に基づく公平な特徴選択に比較した。
  論文  参考訳（メタデータ） (2023-10-04T11:43:11Z)
• The FAIRy Tale of Genetic Algorithms [1.0957528713294875]
  Findable、Accessible、Interoperable、Reusable(FAIR)のデータ原則を拡張して、アルゴリズムの遺伝的および再使用を可能にしました。 我々は,GAの方法論的展開と変種について概説し,適切なソースの再現や発見を困難にしている。 この作業は、多数の機械学習アルゴリズム/メソッドに拡張することができる。
  論文  参考訳（メタデータ） (2023-04-29T11:36:09Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Explanation-Guided Fairness Testing through Genetic Algorithm [18.642243829461158]
  本研究は遺伝的アルゴリズム(GA)を用いた説明誘導フェアネステスト手法ExpGAを提案する。 ExpGAは、解釈可能な方法によって生成された説明結果を用いて、高品質な初期種子を収集する。 次に、GAを用いて、フィットネス値を最適化して識別サンプル候補を検索する。
  論文  参考訳（メタデータ） (2022-05-16T02:40:48Z)
• 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)
• GA for feature selection of EEG heterogeneous data [0.0]
  本稿では,教師付きあるいは教師なしのアプローチで使用できる特徴選択のための遺伝的アルゴリズム(ga)を提案する。 専門家の知識に頼らず、3つのフィットネス機能を検討します。 提案されたgaは、ここで示した新しいフィットネス機能に基づいて、2つの異なるデータセットがマージされたときにベンチマークを上回っています。
  論文  参考訳（メタデータ） (2021-03-12T07:27:42Z)

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。