論文の概要: An Evolutionary Multitasking Algorithm with Multiple Filtering for
High-Dimensional Feature Selection
- arxiv url: http://arxiv.org/abs/2212.08854v1
- Date: Sat, 17 Dec 2022 12:06:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 15:36:03.162522
- Title: An Evolutionary Multitasking Algorithm with Multiple Filtering for
High-Dimensional Feature Selection
- Title(参考訳): 高次元特徴選択のための多重フィルタリングを用いた進化的マルチタスクアルゴリズム
- Authors: Lingjie Li, Manlin Xuan, Qiuzhen Lin, Min Jiang, Zhong Ming, Kay Chen
Tan
- Abstract要約: 進化的マルチタスキング(EMT)は高次元分類の分野で成功している。
本稿では,高次元分類におけるFSのための新しいEMTを考案し,まず複数のタスクを生成するために異なるフィルタリング手法を採用する。
競争力のあるSwarmは、それらの間の有用な知識を伝達することによって、これらの関連するFSタスクを同時に解決するために修正される。
- 参考スコア(独自算出の注目度): 17.63977212537738
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, evolutionary multitasking (EMT) has been successfully used in the
field of high-dimensional classification. However, the generation of multiple
tasks in the existing EMT-based feature selection (FS) methods is relatively
simple, using only the Relief-F method to collect related features with similar
importance into one task, which cannot provide more diversified tasks for
knowledge transfer. Thus, this paper devises a new EMT algorithm for FS in
high-dimensional classification, which first adopts different filtering methods
to produce multiple tasks and then modifies a competitive swarm optimizer to
efficiently solve these related tasks via knowledge transfer. First, a
diversified multiple task generation method is designed based on multiple
filtering methods, which generates several relevant low-dimensional FS tasks by
eliminating irrelevant features. In this way, useful knowledge for solving
simple and relevant tasks can be transferred to simplify and speed up the
solution of the original high-dimensional FS task. Then, a competitive swarm
optimizer is modified to simultaneously solve these relevant FS tasks by
transferring useful knowledge among them. Numerous empirical results
demonstrate that the proposed EMT-based FS method can obtain a better feature
subset than several state-of-the-art FS methods on eighteen high-dimensional
datasets.
- Abstract(参考訳): 近年、進化的マルチタスキング(EMT)は高次元分類の分野で成功している。
しかし、既存のemt-based feature selection (fs) メソッドにおける複数のタスクの生成は比較的簡単であり、relay-fメソッドのみを使用して、1つのタスクに同様の重要度を持つ関連機能を収集する。
そこで本研究では,複数のタスクを生成するために,まず異なるフィルタリング手法を採用し,次に競合するSwarmオプティマイザを改良し,これらのタスクを知識伝達により効率的に解決する,FSの新しいEMTアルゴリズムを提案する。
まず,無関係な特徴を排除し,複数の低次元FSタスクを生成する複数のフィルタリング手法に基づいて多元化多重タスク生成法を設計する。
このように、単純で関連するタスクを解くための有用な知識を伝達して、元の高次元FSタスクの解を簡素化し、高速化することができる。
そして、これらの関連するfsタスクを同時に解決するために競合スワムオプティマイザを変更し、それらの間に有用な知識を転送する。
提案したEMTに基づくFS法は18の高次元データセット上のいくつかの最先端FS法よりも優れた特徴サブセットが得られることを示す実験結果が多数ある。
関連論文リスト
- Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking [63.91518180604101]
本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。
タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
論文 参考訳(メタデータ) (2024-01-03T06:34:39Z) - Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。
TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
論文 参考訳(メタデータ) (2023-11-23T15:46:54Z) - Uncertainty-aware transfer across tasks using hybrid model-based
successor feature reinforcement learning [18.80906316352317]
各アクションの値の不確実性は、カルマンフィルタ(KF)ベースの多重モデル適応推定によって近似される。
我々のアルゴリズムは、異なる遷移力学の知識を一般化し、スクラッチから始めるよりもはるかに少ないサンプルで下流タスクを学習し、既存のアプローチより優れています。
論文 参考訳(メタデータ) (2023-10-16T20:37:36Z) - Task Selection and Assignment for Multi-modal Multi-task Dialogue Act
Classification with Non-stationary Multi-armed Bandits [11.682678945754837]
マルチタスク学習(MTL)は、関連する補助タスクと共同学習することで、一次タスクの性能を向上させることを目的としている。
これまでの研究では、このようなランダムなタスクの選択は役に立たない可能性があり、パフォーマンスに有害な可能性があることが示唆されている。
本稿では,非定常的マルチアームバンディットに基づくタスクの選択と割り当てを行う手法を提案する。
論文 参考訳(メタデータ) (2023-09-18T14:51:51Z) - Multitasking Evolutionary Algorithm Based on Adaptive Seed Transfer for
Combinatorial Problem [2.869730777051168]
進化的マルチタスク最適化(EMTO)は、ECコミュニティで新たなトピックとなっている。
M TEA-ASTは、同じドメインとクロスドメインのマルチタスク環境の両方において、知識を適応的に転送することができる。
提案手法は,4つのCOPによる実験において,他の最先端EMTOと比較して競合性能を示す。
論文 参考訳(メタデータ) (2023-08-24T08:43:32Z) - Task Adaptive Parameter Sharing for Multi-Task Learning [114.80350786535952]
Adaptive Task Adapting Sharing(TAPS)は、階層の小さなタスク固有のサブセットを適応的に修正することで、ベースモデルを新しいタスクにチューニングする手法である。
他の手法と比較して、TAPSはダウンストリームタスクに対して高い精度を維持し、タスク固有のパラメータは少ない。
我々は,タスクやアーキテクチャ(ResNet,DenseNet,ViT)を微調整して評価し,実装が簡単でありながら最先端の性能を実現することを示す。
論文 参考訳(メタデータ) (2022-03-30T23:16:07Z) - Transfer Learning for Sequence Generation: from Single-source to
Multi-source [50.34044254589968]
そこで本研究では,2段階のファイントゥニング手法を提案する。また,MSGタスクにおいて,より優れた表現を学習するための微細エンコーダを備えた新しいMSGモデルを提案する。
提案手法は,WMT17 APE タスクと WMT14 テストセットを用いたマルチソース翻訳タスクにおいて,新たな最先端結果を実現する。
論文 参考訳(メタデータ) (2021-05-31T09:12:38Z) - Efficient Feature Transformations for Discriminative and Generative
Continual Learning [98.10425163678082]
継続的学習のための簡易タスク特化機能マップ変換戦略を提案する。
これらは新しいタスクを学習するための強力な柔軟性を提供し、ベースアーキテクチャに最小パラメータを追加することで実現される。
本手法の有効性と効率を,判別(cifar-100およびimagenet-1k)および生成的タスクの一連の実験を用いて実証する。
論文 参考訳(メタデータ) (2021-03-25T01:48:14Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳(メタデータ) (2020-10-24T21:35:57Z) - Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。
提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
論文 参考訳(メタデータ) (2020-03-24T11:03:55Z)
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。