論文の概要: Online Sparse Streaming Feature Selection Using Adapted Classification

• arxiv url: http://arxiv.org/abs/2302.14056v1
• Date: Sat, 25 Feb 2023 03:03:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 19:16:51.149858
• Title: Online Sparse Streaming Feature Selection Using Adapted Classification
• Title（参考訳）: 適応分類を用いたオンラインスパース特徴選択
• Authors: RuiYang Xu, Di Wu, Xin Luo
• Abstract要約: 既存の方法は、データを欠くことなく、特徴を関連性または無関係に分割する。 適応型分類(OS2FS-AC)に基づくオンラインスパースストリーミングの特徴選択を提案する。 10個の実世界のデータセットの実験結果から、OS2FS-ACは最先端のアルゴリズムよりも性能が良いことが示された。
• 参考スコア（独自算出の注目度）: 5.587715545506331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional feature selections need to know the feature space before learning, and online streaming feature selection (OSFS) is proposed to process streaming features on the fly. Existing methods divide features into relevance or irrelevance without missing data, and deleting irrelevant features may lead to in-formation loss. Motivated by this, we focus on completing the streaming feature matrix and division of feature correlation and propose online sparse streaming feature selection based on adapted classification (OS2FS-AC). This study uses Latent Factor Analysis (LFA) to pre-estimate missed data. Besides, we use the adaptive method to obtain the threshold, divide the features into strongly relevant, weakly relevant, and irrelevant features, and then divide weak relevance with more information. Experimental results on ten real-world data sets demonstrate that OS2FS-AC performs better than state-of-the-art algo-rithms.
• Abstract（参考訳）: 従来の機能選択は学習前に機能領域を知る必要があり、オンラインストリーミング機能選択(OSFS)はオンザフライでストリーミング機能を処理するために提案されている。 既存の方法は、データを欠くことなく、特徴を関連性または無関係に分割し、無関係な特徴を削除することは、情報損失につながる可能性がある。 そこで我々は,ストリーミング特徴行列の完成と特徴相関の分割に着目し,適応型分類(OS2FS-AC)に基づくオンラインスパースストリーミング特徴選択を提案する。 本研究は潜伏因子分析(lfa)を用いて、欠落したデータを推定する。 さらに, 適応法を用いてしきい値を求め, 特徴を強く関連し, 弱く, 無関係な特徴に分割し, 弱相関をより多くの情報に分割する。 10個の実世界のデータセットの実験結果から、OS2FS-ACは最先端のアルゴリズムよりも性能が良いことが示された。

関連論文リスト

• Fair Streaming Feature Selection [9.327911386140109]
  公正なストリーミング特徴選択のための新しいアルゴリズムであるFairSFSを提案する。 FairSFSは,ストリーミングの特徴選択手法と同等の精度を維持するだけでなく,フェアネスの指標を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-06-20T15:22:44Z)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• An Online Sparse Streaming Feature Selection Algorithm [14.414813893419506]
  我々は不確実性のあるオンラインスパースストリーミング特徴選択アルゴリズム(OS2FSU)を提案する。 OS2FSUは,1)特徴選択の導出前の疎ストリーミング特徴の欠落を事前に推定するために潜時因子分析を用い,2)特徴選択を行う際の推定ストリーミング特徴とラベルの不確かさを軽減するためにファジィ論理と周辺粗さ集合を用いる。 結果、OS2FSUはOSFSでデータ不足が発生した場合、競合より優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T16:08:22Z)
• Parallel feature selection based on the trace ratio criterion [4.30274561163157]
  本研究は,PFSTを用いた並列特徴選択という,新しい並列特徴選択手法を提案する。 提案手法は,Fisher's Discriminant Analysisで用いられるクラス分離性の尺度であるトレース基準を用いて特徴的有用性を評価する。 実験により,本手法は,比較対象の他の手法による時間的差のごく一部で,少数の特徴セットを生成できることが確認された。
  論文  参考訳（メタデータ） (2022-03-03T10:50:33Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Elastic Net based Feature Ranking and Selection [9.289190508925875]
  直感的なアイデアは、データ分割と弾性ネットベースの機能選択の複数回の終わりに置かれます。 選択された特徴の頻度に関係し、特徴の重要性を示す指標として周波数を使用する。 elastic netとの競争力や優れたパフォーマンスを実現し、より少ない機能の一貫した選択を実現します。
  論文  参考訳（メタデータ） (2020-12-30T00:08:36Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)

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。