論文の概要: Embedded Multi-label Feature Selection via Orthogonal Regression
- arxiv url: http://arxiv.org/abs/2403.00307v1
- Date: Fri, 1 Mar 2024 06:18:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 18:07:48.511219
- Title: Embedded Multi-label Feature Selection via Orthogonal Regression
- Title(参考訳): 直交回帰による埋め込みマルチラベル特徴選択
- Authors: Xueyuan Xu, Fulin Wei, Tianyuan Jia, Li Zhuo, Feiping Nie, Xia Wu
- Abstract要約: 少なくとも2乗回帰に基づく最先端の組込みマルチラベル特徴選択アルゴリズムは、マルチラベルデータに十分な識別情報を保存できない。
複数ラベルの特徴選択を容易にするために, 組込み多ラベル特徴選択法を提案する。
10個の多ラベルデータセットの大規模な実験結果から,GRROORの有効性が示された。
- 参考スコア(独自算出の注目度): 45.55795914923279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last decade, embedded multi-label feature selection methods,
incorporating the search for feature subsets into model optimization, have
attracted considerable attention in accurately evaluating the importance of
features in multi-label classification tasks. Nevertheless, the
state-of-the-art embedded multi-label feature selection algorithms based on
least square regression usually cannot preserve sufficient discriminative
information in multi-label data. To tackle the aforementioned challenge, a
novel embedded multi-label feature selection method, termed global redundancy
and relevance optimization in orthogonal regression (GRROOR), is proposed to
facilitate the multi-label feature selection. The method employs orthogonal
regression with feature weighting to retain sufficient statistical and
structural information related to local label correlations of the multi-label
data in the feature learning process. Additionally, both global feature
redundancy and global label relevancy information have been considered in the
orthogonal regression model, which could contribute to the search for
discriminative and non-redundant feature subsets in the multi-label data. The
cost function of GRROOR is an unbalanced orthogonal Procrustes problem on the
Stiefel manifold. A simple yet effective scheme is utilized to obtain an
optimal solution. Extensive experimental results on ten multi-label data sets
demonstrate the effectiveness of GRROOR.
- Abstract(参考訳): 過去10年間、機能サブセットの探索をモデル最適化に組み込んだ組込みマルチラベル特徴選択手法は、マルチラベル分類タスクにおける機能の重要性を正確に評価する上で、かなりの注目を集めてきた。
それでも、最小二乗回帰に基づく最先端の組込みマルチラベル特徴選択アルゴリズムは、通常、マルチラベルデータにおいて十分な識別情報を保存できない。
この課題に対処するため, 直交回帰(GRROOR)におけるグローバル冗長性と関連性最適化と呼ばれる, 組込みマルチラベル特徴選択法を提案し, マルチラベル特徴選択を容易にする。
特徴重み付けによる直交回帰を用いて、特徴学習過程における多ラベルデータの局所的ラベル相関に関する十分な統計的および構造的情報を保持する。
さらに、直交回帰モデルでは、グローバル特徴冗長性とグローバルラベル関連情報の両方が考慮されており、マルチラベルデータにおける識別的かつ非冗長な特徴サブセットの探索に寄与する可能性がある。
grroor のコスト関数は、スティフェル多様体上の非平衡直交凸問題である。
単純で効果的なスキームを用いて最適解を得る。
10個のマルチラベルデータセットの広範な実験結果から,grroorの有効性が示された。
関連論文リスト
- 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) - Multi-Label Feature Selection Using Adaptive and Transformed Relevance [0.0]
本稿では,ATRと呼ばれる情報理論に基づく新しい多ラベル特徴選択手法を提案する。
ATRは、個々のラベルと抽象的なラベル空間の識別能力を考慮している。
提案実験は,広範囲な特徴空間とラベル空間を特徴とするベンチマークにおけるATRのスケーラビリティを実証するものである。
論文 参考訳(メタデータ) (2023-09-26T09:01:38Z) - Exploiting Diversity of Unlabeled Data for Label-Efficient
Semi-Supervised Active Learning [57.436224561482966]
アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。
アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。
また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
論文 参考訳(メタデータ) (2022-07-25T16:11:55Z) - Random Manifold Sampling and Joint Sparse Regularization for Multi-label
Feature Selection [0.0]
本稿では,$ell_2,1$および$ell_F$正規化の連立制約付き最適化問題を解くことで,最も関連性の高いいくつかの特徴を得ることができる。
実世界のデータセットの比較実験により,提案手法が他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) (2022-04-13T15:06:12Z) - 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) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - Adaptive Graph-based Generalized Regression Model for Unsupervised
Feature Selection [11.214334712819396]
非相関的かつ識別的特徴の選択は、教師なしの機能選択の重要な問題である。
非相関制約と $ell_2,1$-norm 正規化によって課される新しい一般化回帰モデルを提案する。
それは同時に同じ近所に属するこれらのデータ ポイントの分散を減らすこと無相関および差別的な特徴を選ぶことができます。
論文 参考訳(メタデータ) (2020-12-27T09:07:26Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2020-12-26T07:35:35Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-12-18T19:03:40Z) - SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。
我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
論文 参考訳(メタデータ) (2020-08-16T11:07:44Z)
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。