Fugu-MT 論文翻訳(概要): DRCFS: Doubly Robust Causal Feature Selection

論文の概要: DRCFS: Doubly Robust Causal Feature Selection

arxiv url: http://arxiv.org/abs/2306.07024v1
Date: Mon, 12 Jun 2023 10:53:50 GMT
ステータス: 処理完了
システム内更新日: 2023-06-13 14:59:12.872916
Title: DRCFS: Doubly Robust Causal Feature Selection
Title（参考訳）: DRCFS:2倍のロバストな因果的特徴選択
Authors: Francesco Quinzan, Ashkan Soleymani, Patrik Jaillet, Cristian R. Rojas, Stefan Bauer
Abstract要約: 非線形および高次元の設定においても因果的特徴を識別する2つの頑健な特徴選択法であるDRCFSを提案する。理論的な保証を提供し、仮定に必要な条件を説明し、シミュレーションおよび半合成データセットの広範囲にわたる広範な実験を行う。
参考スコア（独自算出の注目度）: 21.20567304874903
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Knowing the features of a complex system that are highly relevant to a particular target variable is of fundamental interest in many areas of science. Existing approaches are often limited to linear settings, sometimes lack guarantees, and in most cases, do not scale to the problem at hand, in particular to images. We propose DRCFS, a doubly robust feature selection method for identifying the causal features even in nonlinear and high dimensional settings. We provide theoretical guarantees, illustrate necessary conditions for our assumptions, and perform extensive experiments across a wide range of simulated and semi-synthetic datasets. DRCFS significantly outperforms existing state-of-the-art methods, selecting robust features even in challenging highly non-linear and high-dimensional problems.
Abstract（参考訳）: 特定の対象変数に高い関連性を持つ複雑なシステムの特徴を知ることは、科学の多くの分野において基本的な関心事である。既存のアプローチは、しばしば線形設定に制限され、時には保証が欠如している。非線形および高次元の設定においても因果的特徴を識別する2つの頑健な特徴選択法であるDRCFSを提案する。理論的な保証を提供し、仮定に必要な条件を示し、幅広いシミュレーションおよび半合成データセットで広範な実験を行う。 DRCFSは既存の最先端手法を著しく上回り、高度に非線形かつ高次元の問題に挑戦しても頑健な特徴を選択する。

関連論文リスト

LoGU: Long-form Generation with Uncertainty Expressions [49.76417603761989]
不確実性を伴う長文生成(LoGU)の課題について紹介する。不確実性抑制と不確実性誤認の2つの主要な課題を特定します。当社のフレームワークでは,原子的クレームに基づく不確実性を改善するため,分割・分散戦略を採用している。提案手法が精度を向上し,幻覚を低減し,応答の包括性を維持できることを示す。
論文参考訳（メタデータ） (2024-10-18T09:15:35Z)
FFAA: Multimodal Large Language Model based Explainable Open-World Face Forgery Analysis Assistant [59.2438504610849]
FFAA: Face Forgery Analysis Assistant(MLLM)とMIDS(Multi-Awer Intelligent Decision System)について紹介する。提案手法は,ユーザフレンドリで説明可能な結果を提供するだけでなく,従来の手法に比べて精度と堅牢性を大幅に向上させる。
論文参考訳（メタデータ） (2024-08-19T15:15:20Z)
MiniMaxAD: A Lightweight Autoencoder for Feature-Rich Anomaly Detection [1.7234530131333607]
MiniMaxADは、通常の画像から広範囲の情報を効率よく圧縮・記憶する軽量オートエンコーダである。このモデルでは,特徴量の多様性を向上し,ネットワークの有効容量を増大させる手法を採用している。提案手法では,機能豊富な異常検出の枠組みの下で任意のデータセットを統一することができる。
論文参考訳（メタデータ） (2024-05-16T09:37:54Z)
ERASE: Benchmarking Feature Selection Methods for Deep Recommender Systems [40.838320650137625]
本稿では,Deep Recommender Systems(DRS)のためのフェースセレクションのための包括的bEnchmaRkであるERASEについて述べる。 ERASEは11種類の特徴選択手法を徹底的に評価し、従来のアプローチとディープラーニングアプローチの両方をカバーしている。私たちのコードは簡単に再現できる。
論文参考訳（メタデータ） (2024-03-19T11:49:35Z)
Multi-scale Fusion Fault Diagnosis Method Based on Two-Dimensionaliztion Sequence in Complex Scenarios [0.0]
転がり軸受は回転機械において重要な要素であり、その欠陥は深刻な損傷を引き起こす可能性がある。異常の早期発見は破滅的な事故を防ぐために不可欠である。従来のインテリジェントな手法は時系列データを解析するのに用いられてきたが、現実のシナリオでは、センサデータはノイズが多く、時間領域で正確に特徴付けることはできない。本稿では,産業シナリオに展開するためのマルチスケール機能融合モデルとディープラーニング圧縮技術を用いて,畳み込みニューラルネットワークの改良手法を提案する。
論文参考訳（メタデータ） (2023-04-11T13:05:50Z)
A Subspace-based Approach for Dimensionality Reduction and Important Variable Selection [0.0]
本研究では, ランダム化探索に基づいて, 部分空間, 縮小次元の物理空間を創出する手法を提案する。複合金属開発プロセスから収集した高次元データに適用した場合,提案手法は予測および重要な変数選択において,その優位性を示す。
論文参考訳（メタデータ） (2021-06-03T04:10:34Z)
Interpretable Hyperspectral AI: When Non-Convex Modeling meets Hyperspectral Remote Sensing [57.52865154829273]
ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
論文参考訳（メタデータ） (2021-03-02T03:32:10Z)
High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文参考訳（メタデータ） (2020-12-17T23:21:53Z)
Feature Selection for Huge Data via Minipatch Learning [0.0]
安定ミニパッチ選択(STAMPS)と適応STAMPSを提案する。 STAMPSは、データの観測と特徴の両方の小さな(適応性の高い)ランダムなサブセットに基づいて訓練された基本特徴セレクタの選択イベントのアンサンブルを構築するメタアルゴリズムである。われわれのアプローチは一般的であり、様々な機能選択戦略や機械学習技術に応用できる。
論文参考訳（メタデータ） (2020-10-16T17:41:08Z)
An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
論文参考訳（メタデータ） (2020-06-17T20:19:25Z)

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。