論文の概要: Causality-Based Feature Importance Quantifying Methods:PN-FI, PS-FI and PNS-FI

• arxiv url: http://arxiv.org/abs/2308.14474v1
• Date: Mon, 28 Aug 2023 10:24:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 14:18:45.153558
• Title: Causality-Based Feature Importance Quantifying Methods:PN-FI, PS-FI and PNS-FI
• Title（参考訳）: 因果関係に基づく特徴量定量化法:pn-fi, ps-fi, pns-fi
• Authors: Shuxian Du, Yaxiu Sun and Changyi Du
• Abstract要約: 本稿では, 因果関係における PNS の計算を定量的に導入し, 特徴量の定量化を行う。 本論文の本体は, 犬の鼻, 犬の目, 犬の口のPS_FI, PN_FI, PNS_FIの3つの特徴について検討した。
• 参考スコア（独自算出の注目度）: 0.36832029288386137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In current ML field models are getting larger and more complex, data we use are also getting larger in quantity and higher in dimension, so in order to train better models, save training time and computational resources, a good Feature Selection (FS) method in preprocessing stage is necessary. Feature importance (FI) is of great importance since it is the basis of feature selection. This paper creatively introduces the calculation of PNS(the probability of Necessity and Sufficiency) in Causality into quantifying feature importance and creates new FI measuring methods: PN-FI, which means how much importance a feature has in image recognition tasks, PS_FI that means how much importance a feature has in image generating tasks, and PNS_FI which measures both. The main body of this paper is three RCTs, with whose results we show how PS_FI, PN_FI and PNS_FI of three features: dog nose, dog eyes and dog mouth are calculated. The FI values are intervals with tight upper and lower bounds.
• Abstract（参考訳）: 現在のmlフィールドモデルは大きくなり、さらに複雑になってきており、私たちが使用するデータも大きくなり、次元も大きくなっているため、よりよいモデルをトレーニングするために、トレーニング時間と計算リソースを節約するために、前処理段階における優れた機能選択(fs)メソッドが必要です。 特徴選択の基礎であるため、特徴重要度(FI)が非常に重要である。 本稿では,特徴量の重要性を定量化するために因果関係におけるpns(必要可能性と十分性)の計算を創造的に導入し,新たなfi計測手法であるpn-fi,画像認識タスクにおける特徴量の重要性を示すps_fi,画像生成タスクにおける特徴量の重要性を示すps_fi,その両方を測定するpns_fiについて述べる。 本論文の本体は3つのrctであり,ps_fi,pn_fi,pns_fiの3つの特徴(犬の鼻,犬の目,犬の口)を計算した。 FI値は、上と下の境界が狭い間隔である。

関連論文リスト

• Seeking the Sufficiency and Necessity Causal Features in Multimodal Representation Learning [21.309673318309294]
  PNS(Necessary and Sufficient Causes)の確率が高い学習表現は、深層学習モデルの能力を高めることが示されている。 本稿では,モダリティ不変成分とモダリティ固有成分からなるマルチモーダル表現の概念化を提案する。 次に,各コンポーネントのPSS識別性を解析し,非自明なPSS推定を確実にする。
  論文  参考訳（メタデータ） (2024-08-29T14:43:42Z)
• On the Connection between Pre-training Data Diversity and Fine-tuning Robustness [66.30369048726145]
  下流の有効ロバスト性に影響を与える主な要因はデータ量である。 各種自然および合成データソースから抽出した事前学習分布について,本研究の成果を示す。
  論文  参考訳（メタデータ） (2023-07-24T05:36:19Z)
• Tuning Pre-trained Model via Moment Probing [62.445281364055795]
  本稿では,LP の可能性を探るため,新しい Moment Probing (MP) 法を提案する。 MPは、最終特徴の平均に基づいて線形分類ヘッドを実行する。 当社のMPはLPを著しく上回り、トレーニングコストの低い相手と競争しています。
  論文  参考訳（メタデータ） (2023-07-21T04:15:02Z)
• Autoencoding Conditional Neural Processes for Representation Learning [31.63717849083666]
  条件付きニューラルプロセス(CNP)は、データから学習するフレキシブルで効率的なモデルのファミリーである。 PPS-VAE(Partial Pixel Space Variational Autoencoder)は、CNPコンテキストをCNPと同時に学習する潜時変数としてキャストするアモータイズされた変分フレームワークである。
  論文  参考訳（メタデータ） (2023-05-29T12:10:18Z)
• Versatile Neural Processes for Learning Implicit Neural Representations [57.090658265140384]
  本稿では,近似関数の能力を大幅に向上させるVersatile Neural Processs (VNP)を提案する。 具体的には、より少ない情報的コンテキストトークンを生成するボトルネックエンコーダを導入し、高い計算コストを軽減した。 提案したVNPが1D, 2D, 3D信号を含む様々なタスクに対して有効であることを示す。
  論文  参考訳（メタデータ） (2023-01-21T04:08:46Z)
• KTN: Knowledge Transfer Network for Learning Multi-person 2D-3D Correspondences [77.56222946832237]
  画像中の複数の人物の密着度を検出するための新しい枠組みを提案する。 提案手法は知識伝達ネットワーク(KTN)の2つの問題に対処する。 特徴解像度を同時に維持し、背景画素を抑圧し、この戦略は精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-06-21T03:11:37Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• MHFC: Multi-Head Feature Collaboration for Few-Shot Learning [17.699793591135904]
  少ないショットラーニングは、データスカース問題に対処することを目的としている。 本稿では,マルチヘッド特徴を統一空間に投影しようとするマルチヘッド特徴協調(MHFC)アルゴリズムを提案する。 提案手法を5つのベンチマークデータセットで評価し,最新技術と比較して2.1%-7.8%の大幅な改善を実現した。
  論文  参考訳（メタデータ） (2021-09-16T08:09:35Z)
• Feature Analysis for ML-based IIoT Intrusion Detection [0.0]
  ネットワーク侵入検知システム(NIDS)の実装に強力な機械学習モデルが採用されている。 検出精度と計算効率を最大化するデータ特徴の適切なセットを選択することが重要である。 本稿では,ネットワーク攻撃の重要性と予測力の観点から,最適な特徴セットを広範囲に分析する。
  論文  参考訳（メタデータ） (2021-08-29T02:19:37Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)
• Bayesian Importance of Features (BIF) [11.312036995195594]
  ディリクレ分布を用いて入力特徴の重要性を定義し、近似ベイズ推論により学習する。 学習された重要性は確率論的解釈を持ち、モデルの出力に対する各入力特徴の相対的な重要性を提供する。 本手法は, 各種合成および実データに対する有効性を示す。
  論文  参考訳（メタデータ） (2020-10-26T19:55:58Z)

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。