Fugu-MT 論文翻訳(概要): FSDR: A Novel Deep Learning-based Feature Selection Algorithm for Pseudo Time-Series Data using Discrete Relaxation

論文の概要: FSDR: A Novel Deep Learning-based Feature Selection Algorithm for Pseudo Time-Series Data using Discrete Relaxation

arxiv url: http://arxiv.org/abs/2403.08403v1
Date: Wed, 13 Mar 2024 10:37:52 GMT
ステータス: 処理完了
システム内更新日: 2024-03-14 14:43:31.259916
Title: FSDR: A Novel Deep Learning-based Feature Selection Algorithm for Pseudo Time-Series Data using Discrete Relaxation
Title（参考訳）: FSDR: Pseudoのための新しいディープラーニングベースの特徴選択アルゴリズム離散緩和を用いた時系列データ
Authors: Mohammad Rahman, Manzur Murshed, Shyh Wei Teng, Manoranjan Paul
Abstract要約: 深層学習に基づく特徴選択アルゴリズム:離散緩和(FSDR)による特徴選択 FSDRは、既存のDLベースまたは従来のメソッドの範囲を超えて、多数の特徴次元を収容することができる。
参考スコア（独自算出の注目度）: 9.769546018094665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conventional feature selection algorithms applied to Pseudo Time-Series (PTS) data, which consists of observations arranged in sequential order without adhering to a conventional temporal dimension, often exhibit impractical computational complexities with high dimensional data. To address this challenge, we introduce a Deep Learning (DL)-based feature selection algorithm: Feature Selection through Discrete Relaxation (FSDR), tailored for PTS data. Unlike the existing feature selection algorithms, FSDR learns the important features as model parameters using discrete relaxation, which refers to the process of approximating a discrete optimisation problem with a continuous one. FSDR is capable of accommodating a high number of feature dimensions, a capability beyond the reach of existing DL-based or traditional methods. Through testing on a hyperspectral dataset (i.e., a type of PTS data), our experimental results demonstrate that FSDR outperforms three commonly used feature selection algorithms, taking into account a balance among execution time, $R^2$, and $RMSE$.
Abstract（参考訳）: Pseudo Time-Series(PTS)データに適用される従来の特徴選択アルゴリズムは、従来の時間次元に従わずに逐次的に配置された観測からなり、高次元データを伴う非現実的な計算複雑性を示すことが多い。この課題に対処するために,PTSデータに適した,Deep Learning (DL) ベースの特徴選択アルゴリズムである,離散緩和(FSDR)による特徴選択を導入する。既存の特徴選択アルゴリズムとは異なり、FSDRは離散緩和を用いてモデルパラメータとして重要な特徴を学習する。 FSDRは、既存のDLベースまたは従来のメソッドの範囲を超えて、多数の特徴次元を収容することができる。実験結果は,超スペクトルデータセット(PSSデータの一種)のテストを通じて,FSDRが3つの一般的な特徴選択アルゴリズムを上回り,実行時間,R^2$,RMSE$のバランスを考慮した。

関連論文リスト

DeepLINK-T: deep learning inference for time series data using knockoffs and LSTM [7.831716013866564]
本研究では,時系列データ(DeepLink-T)に対するノックオフを用いた新しいディープラーニング推論手法を提案する。これは、所定のレベルで偽発見率(FDR)を制御しながら、回帰において重要な時系列変数の選択に焦点を当てる。 DeepLink-Tの3つの重要な要素は、1)時系列のノックオフ変数を生成するLong Short-Term Memory(LSTM)オートエンコーダ、2)オリジナル変数とノックオフ変数の両方を使用したLSTM予測ネットワーク、3)FDR制御による変数選択のためのノックオフフレームワークの適用である。
論文参考訳（メタデータ） (2024-04-05T17:47:50Z)
Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。本手法はLSTMの重みと偏りを分割的に最適化する。イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文参考訳（メタデータ） (2023-12-29T08:42:10Z)
B-LSTM-MIONet: Bayesian LSTM-based Neural Operators for Learning the Response of Complex Dynamical Systems to Length-Variant Multiple Input Functions [6.75867828529733]
マルチインプットディープニューラル演算子(MIONet)は、異なるバナッハ空間における複数の入力関数を可能にするためにDeepONetを拡張した。 MIONetは、出力位置の制約なしにデータセットグリッド間隔をトレーニングする柔軟性を提供する。この作業はMIONetを再設計し、Long Short Term Memory(LSTM)を統合して、時間依存のデータからニューラル演算子を学ぶ。
論文参考訳（メタデータ） (2023-11-28T04:58:17Z)
State Sequences Prediction via Fourier Transform for Representation Learning [111.82376793413746]
本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。本研究では,状態系列における構造情報の存在を理論的に解析する。実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズム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） (2023-10-24T14:47:02Z)
Online Feature Selection for Efficient Learning in Networked Systems [3.13468877208035]
データ駆動エンジニアリングのための現在のAI/MLメソッドは、主にオフラインでトレーニングされたモデルを使用する。多数の利用可能なデータソースから小さな特徴セットを選択するオンライン安定特徴セットアルゴリズム(OSFS)を提案する。 OSFSは、調査されたすべてのデータセットに対して、1～3桁の規模で設定された機能のサイズを大幅に削減する。
論文参考訳（メタデータ） (2021-12-15T16:31:59Z)
A Feature Selection Method for Multi-Dimension Time-Series Data [2.055949720959582]
モーションキャプチャやアクティビティ認識などのアプリケーション領域の時系列データは、しばしば多次元である。これらのデータストリームには多くの冗長性があり、優れた分類精度は少数の機能で達成できることが多い。相互情報に基づく多次元時系列データにおける特徴部分選択法を提案する。
論文参考訳（メタデータ） (2021-04-22T14:49:00Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)
Unsupervised Online Anomaly Detection On Irregularly Sampled Or Missing Valued Time-Series Data Using LSTM Networks [0.0]
異常検出について検討し,変長,不規則なサンプルシーケンス,あるいは欠落した値を含むシーケンスを処理するアルゴリズムを提案する。しかし,本アルゴリズムは完全に教師なしであり,教師付きあるいは半教師付きケースに容易に拡張できる。
論文参考訳（メタデータ） (2020-05-25T09:41:04Z)
Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction [78.84356269545157]
MTS分類のための教師付き特徴ランキングと特徴サブセット選択アルゴリズムを導入する。 MTSの既存の教師なし特徴選択アルゴリズムとは異なり、我々の手法は時系列から一次元特徴ベクトルを生成するために特徴抽出ステップを必要としない。
論文参考訳（メタデータ） (2020-05-01T07:46:29Z)

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。