Fugu-MT 論文翻訳(概要): Greedy feature selection: Classifier-dependent feature selection via greedy methods

論文の概要: Greedy feature selection: Classifier-dependent feature selection via greedy methods

arxiv url: http://arxiv.org/abs/2403.05138v1
Date: Fri, 8 Mar 2024 08:12:05 GMT
ステータス: 処理完了
システム内更新日: 2024-03-11 20:25:18.085814
Title: Greedy feature selection: Classifier-dependent feature selection via greedy methods
Title（参考訳）: グリーディ特徴選択:グリーディ手法による分類器依存特徴選択
Authors: Fabiana Camattari, Sabrina Guastavino, Francesco Marchetti, Michele Piana, Emma Perracchione
Abstract要約: 本研究の目的は, グリージーな特徴選択に追随する特徴選択と呼ばれる, 分類タスクにおける特徴ランク付けのための新しいアプローチを導入することである。このようなスキームの利点は、Vapnik-Chervonenkis(VC)次元やカーネルアライメントといったモデルキャパシティインジケータの観点から理論的に研究されている。
参考スコア（独自算出の注目度）: 2.4374097382908477
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The purpose of this study is to introduce a new approach to feature ranking for classification tasks, called in what follows greedy feature selection. In statistical learning, feature selection is usually realized by means of methods that are independent of the classifier applied to perform the prediction using that reduced number of features. Instead, greedy feature selection identifies the most important feature at each step and according to the selected classifier. In the paper, the benefits of such scheme are investigated theoretically in terms of model capacity indicators, such as the Vapnik-Chervonenkis (VC) dimension or the kernel alignment, and tested numerically by considering its application to the problem of predicting geo-effective manifestations of the active Sun.
Abstract（参考訳）: 本研究の目的は,分類タスクにおける特徴のランク付けに新たなアプローチを導入することである。統計的学習において、特徴選択は通常、その少ない特徴量を用いて予測を行うために適用される分類器とは独立な手法によって実現される。代わりに、greedy機能選択は、選択された分類器に従って各ステップで最も重要な特徴を特定する。本稿では,vapnik-chervonenkis(vc)次元やカーネルアライメントなどのモデル容量指標を用いて,その利点を理論的に検討し,活性太陽の地理的有効発現予測問題への応用を考察した。

関連論文リスト

Feature Selection for Latent Factor Models [2.07180164747172]
特徴の選択は、高次元データセットで関連する特徴をピンポイントするのに不可欠である。分類のための伝統的な特徴選択方法は、クラスごとに特徴を選択するためにすべてのクラスからデータを使用する。本稿では,低ランク生成法に基づくクラスモデルを用いて,各クラスの特徴を個別に選択する特徴選択手法について検討する。
論文参考訳（メタデータ） (2024-12-13T13:20:10Z)
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)
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)
Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文参考訳（メタデータ） (2023-10-17T08:04:45Z)
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)
Handcrafted Feature Selection Techniques for Pattern Recognition: A Survey [0.0]
特徴選択は、情報を適切に表現するためのプロセスである。本稿では,手作り特徴選択のためのフィルタとラッパー法について検討する。
論文参考訳（メタデータ） (2022-09-06T18:05:35Z)
Stop Overcomplicating Selective Classification: Use Max-Logit [2.3677503557659705]
我々は、データセットの望ましいカバレッジで最高のパフォーマンスを達成することを目標とする選択分類の問題に取り組む。最近の最先端の選択手法は、別個のセレクションヘッドを導入するか、余分な禁忌ロジットを導入することによってアーキテクチャの変更が伴う。我々は,より一般化可能な分類器の訓練に,最先端手法の優れた性能を負うことを確認することで,選択分類の驚くべき結果を示す。
論文参考訳（メタデータ） (2022-06-17T22:23:11Z)
Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文参考訳（メタデータ） (2022-01-31T13:01:37Z)
Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文参考訳（メタデータ） (2021-10-31T16:15:09Z)
Dynamic Instance-Wise Classification in Correlated Feature Spaces [15.351282873821935]
典型的な機械学習環境では、すべてのテストインスタンスの予測は、モデルトレーニング中に発見された機能の共通サブセットに基づいている。それぞれのテストインスタンスに対して個別に評価する最適な特徴を順次選択し、分類精度に関して更なる改善が得られないことを判断すると、選択プロセスが終了して予測を行う新しい手法を提案する。提案手法の有効性, 一般化性, 拡張性について, 多様なアプリケーション領域の様々な実世界のデータセットで説明する。
論文参考訳（メタデータ） (2021-06-08T20:20:36Z)
Deep Learning feature selection to unhide demographic recommender systems factors [63.732639864601914]
行列分解モデルは意味的知識を含まない因子を生成する。 DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
論文参考訳（メタデータ） (2020-06-17T17:36:48Z)

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。