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
- 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) - What Image Features Boost Housing Market Predictions? [81.32205133298254]
本稿では,予測アルゴリズムにおける効率的な数値包摂のための視覚特徴抽出手法を提案する。
本稿では,シャノンのエントロピー,重心計算,画像分割,畳み込みニューラルネットワークなどの手法について論じる。
ここで選択された40の画像特徴のセットは、かなりの量の予測能力を持ち、最も強力なメタデータ予測器よりも優れています。
論文 参考訳(メタデータ) (2021-07-15T06:32:10Z) - Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout
for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
提案手法の性能は, 広く使用されている3つのデータセットで評価される。
ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
論文 参考訳(メタデータ) (2021-06-08T13:40:30Z) - Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。
本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
論文 参考訳(メタデータ) (2021-04-07T05:42:11Z) - 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) - Algorithmic Stability and Generalization of an Unsupervised Feature
Selection Algorithm [20.564573628659918]
アルゴリズム安定性は、入力サンプルの摂動に対する感度に関するアルゴリズムの重要な特徴である。
本稿では,この安定性を保証可能な保証で実現した,革新的な教師なし特徴選択アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-19T12:25:39Z) - Saliency-driven Class Impressions for Feature Visualization of Deep
Neural Networks [55.11806035788036]
分類に欠かせないと思われる特徴を視覚化することは有利である。
既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。
本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
論文 参考訳(メタデータ) (2020-07-31T06:11:06Z) - Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。
ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。
特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
論文 参考訳(メタデータ) (2020-07-06T08:11:28Z) - 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。