論文の概要: A Lite Fireworks Algorithm with Fractal Dimension Constraint for Feature Selection

• arxiv url: http://arxiv.org/abs/2303.05516v1
• Date: Thu, 9 Mar 2023 01:52:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 17:02:54.954732
• Title: A Lite Fireworks Algorithm with Fractal Dimension Constraint for Feature Selection
• Title（参考訳）: 特徴選択のためのフラクタル次元制約付きライト花火アルゴリズム
• Authors: Min Zeng, Haimiao Mo, Zhiming Liang, Hua Wang
• Abstract要約: 特徴選択のためのフラクタル次元制約付きライトファイアワークアルゴリズム(LFWA+FD)を提案する。 LFWA+FD」は, 花火アルゴリズムを単純化し, フラクタル次元で選択した特徴の次元を制約することで, 理想的な特徴部分集合を探索することに焦点を当てている。 提案手法は,モデル推論に有用な特徴のサブセットを効果的に選択し,元のデータに存在する大量のノイズを除去し,性能を向上させる。
• 参考スコア（独自算出の注目度）: 4.526526943108398
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As the use of robotics becomes more widespread, the huge amount of vision data leads to a dramatic increase in data dimensionality. Although deep learning methods can effectively process these high-dimensional vision data. Due to the limitation of computational resources, some special scenarios still rely on traditional machine learning methods. However, these high-dimensional visual data lead to great challenges for traditional machine learning methods. Therefore, we propose a Lite Fireworks Algorithm with Fractal Dimension constraint for feature selection (LFWA+FD) and use it to solve the feature selection problem driven by robot vision. The "LFWA+FD" focuses on searching the ideal feature subset by simplifying the fireworks algorithm and constraining the dimensionality of selected features by fractal dimensionality, which in turn reduces the approximate features and reduces the noise in the original data to improve the accuracy of the model. The comparative experimental results of two publicly available datasets from UCI show that the proposed method can effectively select a subset of features useful for model inference and remove a large amount of noise noise present in the original data to improve the performance.
• Abstract（参考訳）: ロボットの利用が広まるにつれて、膨大な量の視覚データがデータ次元を劇的に増加させます。 深層学習法はこれらの高次元視覚データを効果的に処理できる。 計算資源の制限のため、いくつかの特別なシナリオは依然として従来の機械学習手法に依存している。 しかし、これらの高次元のビジュアルデータは、従来の機械学習手法に大きな課題をもたらす。 そこで我々は,特徴選択(LFWA+FD)のためのフラクタル次元制約付きライトファイアワークスアルゴリズムを提案し,ロボットビジョンによる特徴選択問題を解決する。 lfwa+fd」は、花火のアルゴリズムを単純化し、フラクタル次元によって選択された特徴の次元を制約することで理想的な特徴部分集合を探索することに焦点を当てており、それによって近似的な特徴を減少させ、元のデータのノイズを減少させ、モデルの精度を向上させる。 UCIによる2つの公開データセットの比較実験結果から,提案手法はモデル推論に有用な特徴のサブセットを効果的に選択し,元のデータに存在する大量のノイズノイズを除去して性能を向上させることができることを示した。

関連論文リスト

• Sparse Modelling for Feature Learning in High Dimensional Data [0.0]
  本稿では,高次元データセットにおける次元削減と特徴抽出に対する革新的なアプローチを提案する。 提案フレームワークはスパースモデリング技術を包括的パイプラインに統合し,効率的かつ解釈可能な特徴選択を実現する。 我々は、特に木材表面欠陥検出の文脈において、機械学習におけるスパースモデリングの理解と応用を進めることを目的としている。
  論文  参考訳（メタデータ） (2024-09-28T14:17:59Z)
• Noisy Data Visualization using Functional Data Analysis [14.255424476694946]
  動的プロセスのための関数情報幾何 (FIG) と呼ばれる新しいデータ可視化手法を提案する。 提案手法は,可視化のために設計されたEIGの変種よりも優れていることを示す。 次に、脳波による睡眠活動の測定を可視化するために、我々の手法を使用します。
  論文  参考訳（メタデータ） (2024-06-05T15:53:25Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• View-Dependent Octree-based Mesh Extraction in Unbounded Scenes for Procedural Synthetic Data [71.22495169640239]
  手続き署名距離関数(SDF)は、大規模な詳細なシーンをモデル化するための強力なツールである。 OcMesherというメッシュ抽出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-13T18:56:13Z)
• ShaRP: Shape-Regularized Multidimensional Projections [71.30697308446064]
  本稿では,生成した散布板の視覚的シグネチャをユーザが明示的に制御できる新しいプロジェクション技術,ShaRPを提案する。 ShaRPは次元とデータセットサイズによく対応し、任意の定量的データセットを汎用的に処理する。
  論文  参考訳（メタデータ） (2023-06-01T11:16:58Z)
• An Empirical Evaluation of the t-SNE Algorithm for Data Visualization in Structural Engineering [2.4493299476776773]
  t-Distributed Neighbor Embedding (t-SNE)アルゴリズムは、可視化目的で設定された地震関連データセットの寸法を縮小するために用いられる。 SMOTE(Synthetic Minority Oversampling Technique)は、このようなデータセットの不均衡な性質に対処するために用いられる。 トレーニングデータセットにおけるt-SNEとSMOTEを用いて、ニューラルネットワーク分類器は精度を犠牲にすることなく、有望な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-09-18T01:24:39Z)
• Low-rank Dictionary Learning for Unsupervised Feature Selection [11.634317251468968]
  低ランク表現に辞書学習のアイデアを適用することで、教師なしの新たな特徴選択手法を導入する。 非教師付き特徴選択のための統一目的関数は、$ell_2,1$-norm正規化によってスパースな方法で提案される。 実験の結果,提案手法は最先端のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-21T13:39:10Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端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） (2021-04-11T03:25:25Z)
• Feature Robust Optimal Transport for High-dimensional Data [125.04654605998618]
  本研究では,高次元データに対する特徴量ロバスト最適輸送(FROT)を提案する。 実世界の意味対応データセットにおいて,FROTアルゴリズムが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） (2020-05-25T14:07:16Z)
• NCVis: Noise Contrastive Approach for Scalable Visualization [79.44177623781043]
  NCVisはノイズコントラスト推定の音響統計的基礎の上に構築された高性能次元減少法である。 NCVisは,他の手法の表現品質を保ちながら,速度の観点から最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-30T15:43:50Z)

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。