論文の概要: FSDEM: Feature Selection Dynamic Evaluation Metric

• arxiv url: http://arxiv.org/abs/2408.14234v1
• Date: Mon, 26 Aug 2024 12:49:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 14:01:29.221872
• Title: FSDEM: Feature Selection Dynamic Evaluation Metric
• Title（参考訳）: FSDEM: 特徴選択動的評価基準
• Authors: Muhammad Rajabinasab, Anton D. Lautrup, Tobias Hyrup, Arthur Zimek,
• Abstract要約: 提案手法は,特徴選択アルゴリズムの性能と安定性の両方を評価できる2つの特性を持つ動的計量である。 本研究では,提案手法を用いて特徴選択アルゴリズムの評価に成功した経験的実験を行った。
• 参考スコア（独自算出の注目度）: 1.54369283425087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expressive evaluation metrics are indispensable for informative experiments in all areas, and while several metrics are established in some areas, in others, such as feature selection, only indirect or otherwise limited evaluation metrics are found. In this paper, we propose a novel evaluation metric to address several problems of its predecessors and allow for flexible and reliable evaluation of feature selection algorithms. The proposed metric is a dynamic metric with two properties that can be used to evaluate both the performance and the stability of a feature selection algorithm. We conduct several empirical experiments to illustrate the use of the proposed metric in the successful evaluation of feature selection algorithms. We also provide a comparison and analysis to show the different aspects involved in the evaluation of the feature selection algorithms. The results indicate that the proposed metric is successful in carrying out the evaluation task for feature selection algorithms. This paper is an extended version of a paper accepted at SISAP 2024.
• Abstract（参考訳）: 表現的評価指標はあらゆる領域において情報的実験には不可欠であり、いくつかの領域ではいくつかの指標が確立されているが、機能選択など他の領域では間接的あるいは限定的な評価指標のみが発見されている。 本稿では,前任者の諸問題に対処し,特徴選択アルゴリズムの柔軟かつ信頼性の高い評価を可能にするための新しい評価基準を提案する。 提案手法は,特徴選択アルゴリズムの性能と安定性の両方を評価できる2つの特性を持つ動的計量である。 本研究では,提案手法を用いて特徴選択アルゴリズムの評価に成功した経験的実験を行った。 また,特徴選択アルゴリズムの評価に係わるさまざまな側面について,比較と分析を行った。 その結果,提案手法は特徴選択アルゴリズムの評価タスクの実行に有効であることが示唆された。 本論文はSISAP 2024で受理された論文の拡張版である。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Is Reference Necessary in the Evaluation of NLG Systems? When and Where? [58.52957222172377]
  基準自由度は人間の判断と高い相関を示し,言語品質の低下に対する感度が高いことを示す。 本研究は,自動測定の適切な適用方法と,測定値の選択が評価性能に与える影響について考察する。
  論文  参考訳（メタデータ） (2024-03-21T10:31:11Z)
• Rethinking Evaluation Metrics of Open-Vocabulary Segmentaion [78.76867266561537]
  評価プロセスは、予測された真理のカテゴリと基底的真理のカテゴリの類似性を考慮せずに、クローズドセットのメトリクスに大きく依存している。 この問題に対処するため、まず2つのカテゴリー語間の11の類似度の測定を行った。 我々は,3つのオープン語彙セグメンテーションタスクに適した,オープンmIoU,オープンAP,オープンPQという新しい評価指標を設計した。
  論文  参考訳（メタデータ） (2023-11-06T18:59:01Z)
• Navigating the Metric Maze: A Taxonomy of Evaluation Metrics for Anomaly Detection in Time Series [0.456877715768796]
  本稿では,時系列異常検出手法の評価に使用される指標について概説する。 20のメトリクスが分析され、詳細に議論され、特定のタスクに対するそれぞれのユニークな適合性を強調します。
  論文  参考訳（メタデータ） (2023-03-02T13:58:06Z)
• 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)
• 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)
• Greedy Search Algorithms for Unsupervised Variable Selection: A Comparative Study [3.4888132404740797]
  本稿では,非監視変数選択に基づく次元還元について述べる。 本稿では,7つの非監視勾配変数選択アルゴリズムの臨界評価について述べる。 本稿では,FSCA(Forward selection component analysis)アルゴリズムで説明された分散の遅延実装を初めて導入し,評価する。
  論文  参考訳（メタデータ） (2021-03-03T21:10:26Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• On-the-Fly Joint Feature Selection and Classification [16.84451472788859]
  本稿では,共同で特徴選択と分類を行うためのフレームワークを提案する。 我々は、関連する最適化問題の最適解を導出し、その構造を解析する。 提案アルゴリズムの性能を複数の公開データセット上で評価する。
  論文  参考訳（メタデータ） (2020-04-21T19:19:39Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。