論文の概要: Noise-Augmented Boruta: The Neural Network Perturbation Infusion with Boruta Feature Selection

• arxiv url: http://arxiv.org/abs/2309.09694v1
• Date: Mon, 18 Sep 2023 11:59:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 13:52:21.015528
• Title: Noise-Augmented Boruta: The Neural Network Perturbation Infusion with Boruta Feature Selection
• Title（参考訳）: 雑音を呈するboruta:boruta特徴選択を伴うニューラルネットワーク摂動注入
• Authors: Hassan Gharoun, Navid Yazdanjoe, Mohammad Sadegh Khorshidi, Amir H. Gandomi
• Abstract要約: 本稿では,影変数に雑音を組み込むことにより,ボルタ特徴選択アルゴリズムに革新的なアプローチを提案する。 4つの公開ベンチマークデータセットの厳密なテストにより、提案手法が従来のボルタアルゴリズムより優れていることが明らかになった。
• 参考スコア（独自算出の注目度）: 8.298740301623035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the surge in data generation, both vertically (i.e., volume of data) and horizontally (i.e., dimensionality), the burden of the curse of dimensionality has become increasingly palpable. Feature selection, a key facet of dimensionality reduction techniques, has advanced considerably to address this challenge. One such advancement is the Boruta feature selection algorithm, which successfully discerns meaningful features by contrasting them to their permutated counterparts known as shadow features. However, the significance of a feature is shaped more by the data's overall traits than by its intrinsic value, a sentiment echoed in the conventional Boruta algorithm where shadow features closely mimic the characteristics of the original ones. Building on this premise, this paper introduces an innovative approach to the Boruta feature selection algorithm by incorporating noise into the shadow variables. Drawing parallels from the perturbation analysis framework of artificial neural networks, this evolved version of the Boruta method is presented. Rigorous testing on four publicly available benchmark datasets revealed that this proposed technique outperforms the classic Boruta algorithm, underscoring its potential for enhanced, accurate feature selection.
• Abstract（参考訳）: データ生成の急増により、垂直(すなわちデータの体積)と水平(すなわち次元)の両方が増加し、次元性の呪いの負担はますます緩和されつつある。 次元削減技術の重要な側面である特徴選択は、この問題に対処するためにかなり進歩している。 このような進歩の1つはボルタ特徴選択アルゴリズムであり、シャドウ特徴と呼ばれる置換された特徴と対比することで有意義な特徴を識別することに成功している。 しかし、その特徴の意義は、その本質的な価値よりもデータ全体の特性によってより形作られており、従来のボルタアルゴリズムでは、影の特徴が元の特徴の特徴をよく模倣している。 本稿では,この前提に基づいて,影変数に雑音を組み込むことにより,ボルタ特徴選択アルゴリズムに革新的なアプローチを導入する。 ニューラルネットワークの摂動解析フレームワークから並列を引いて,このボルタ法の進化版を提案する。 4つの公開ベンチマークデータセットでの厳密なテストにより、この手法が従来のborutaアルゴリズムよりも優れており、機能選択の精度が向上する可能性があることが判明した。

関連論文リスト

• Large-scale Multi-objective Feature Selection: A Multi-phase Search Space Shrinking Approach [0.27624021966289597]
  特徴の選択は、特に高次元データセットにおいて、機械学習において重要なステップである。 本稿では,LMSSSと呼ばれる探索空間の縮小に基づく大規模多目的進化アルゴリズムを提案する。 提案アルゴリズムの有効性は、15の大規模データセットに対する包括的実験によって実証される。
  論文  参考訳（メタデータ） (2024-10-13T23:06:10Z)
• Robust Network Learning via Inverse Scale Variational Sparsification [55.64935887249435]
  時間連続な逆スケール空間の定式化において、逆スケールの変動スペーサー化フレームワークを導入する。 周波数ベースの手法とは異なり、我々の手法は小さな特徴を滑らかにすることでノイズを除去するだけでなく、ノイズを除去する。 各種騒音に対する頑健性の向上によるアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-27T03:17:35Z)
• Automatic Input Feature Relevance via Spectral Neural Networks [0.9236074230806581]
  本稿では,ディープニューラルネットワークにおける入力成分の相対的重要性を推定する新しい手法を提案する。 これは最適化プロセスのスペクトル再パラメータ化を活用することで達成される。 この手法は、合成データと実データの両方に対してうまく挑戦されている。
  論文  参考訳（メタデータ） (2024-06-03T10:39:12Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Feature Selection Based on Orthogonal Constraints and Polygon Area [10.587608254638667]
  特徴選択の目的は、各特徴の重要性を評価することにより、認識タスクにおける特徴の最適なサブセットを選択することである。 本稿では,特徴ラベルを拡張した依存関係間の非単調線形探索を提案する。 実験結果から,本手法は識別依存を効果的にとらえるだけでなく,次元分類性能を低下させる従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T08:20:05Z)
• Generator Born from Classifier [66.56001246096002]
  データサンプルに頼ることなく、イメージジェネレータを再構築することを目指している。 本稿では,ネットワークパラメータの収束条件を満たすために,ジェネレータを訓練する新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-12-05T03:41:17Z)
• 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)
• Sequential Attention for Feature Selection [12.89764845700709]
  本稿では,ニューラルネットワークの最先端な実験結果を実現するSequential Attentionと呼ばれる特徴選択アルゴリズムを提案する。 この設定への適応が古典的直交整合探索(OMP)アルゴリズムと等価であることを示すことによって、線形回帰のためのアルゴリズムの理論的な洞察を与える。
  論文  参考訳（メタデータ） (2022-09-29T15:49:06Z)
• Deep Face Fuzzy Vault: Implementation and Performance [5.251555525361623]
  ディープフェイスファジィVaultベースのテンプレート保護スキームを無リンクで改善した。 顔からのデジタルキーの派生と同様に、顔参照データのプライバシー保護を提供する。
  論文  参考訳（メタデータ） (2021-02-04T07:37:23Z)
• Binary Neural Networks: A Survey [126.67799882857656]
  バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。 バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。 本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
  論文  参考訳（メタデータ） (2020-03-31T16:47:20Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。