論文の概要: Automatic feature selection and weighting in molecular systems using Differentiable Information Imbalance

• arxiv url: http://arxiv.org/abs/2411.00851v2
• Date: Mon, 30 Dec 2024 15:38:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:02:24.900033
• Title: Automatic feature selection and weighting in molecular systems using Differentiable Information Imbalance
• Title（参考訳）: 微分情報不均衡を用いた分子系の機能選択と重み付け
• Authors: Romina Wild, Felix Wodaczek, Vittorio Del Tatto, Bingqing Cheng, Alessandro Laio,
• Abstract要約: 微分情報不均衡 (DII) は特徴集合間の情報内容をランク付けする自動手法である。 基底真理特徴空間における距離を用いて、DIIはこれらの関係を最もよく保存する特徴の低次元の部分集合を特定する。 DIIはスパース解を生成し、縮小された特徴空間の最適サイズを決定する。
• 参考スコア（独自算出の注目度）: 41.452380773977154
• License:
• Abstract: Feature selection is essential in the analysis of molecular systems and many other fields, but several uncertainties remain: What is the optimal number of features for a simplified, interpretable model that retains essential information? How should features with different units be aligned, and how should their relative importance be weighted? Here, we introduce the Differentiable Information Imbalance (DII), an automated method to rank information content between sets of features. Using distances in a ground truth feature space, DII identifies a low-dimensional subset of features that best preserves these relationships. Each feature is scaled by a weight, which is optimized by minimizing the DII through gradient descent. This allows simultaneously performing unit alignment and relative importance scaling, while preserving interpretability. DII can also produce sparse solutions and determine the optimal size of the reduced feature space. We demonstrate the usefulness of this approach on two benchmark molecular problems: (1) identifying collective variables that describe conformations of a biomolecule, and (2) selecting features for training a machine-learning force field. These results show the potential of DII in addressing feature selection challenges and optimizing dimensionality in various applications. The method is available in the Python library DADApy.
• Abstract（参考訳）: 分子系や他の多くの分野の分析には特徴選択が不可欠であるが、いくつかの不確実性は残る: 本質的な情報を保持する単純化された解釈可能なモデルに最適な特徴数は何ですか? 異なるユニットを持つ機能をどのように調整し、相対的な重要性を重み付けすべきか? 本稿では,特徴集合間で情報内容をランク付けする自動手法であるDII(Dariable Information Im Balance)を紹介する。 基底真理特徴空間における距離を用いて、DIIはこれらの関係を最もよく保存する特徴の低次元の部分集合を特定する。 それぞれの特徴は重みによって拡張され、DIIを勾配降下によって最小化することで最適化される。 これにより、解釈可能性を維持しながら、ユニットアライメントと相対的に重要なスケーリングを同時に実行することが可能になる。 DIIはまたスパース解を生成でき、縮小された特徴空間の最適サイズを決定することができる。 本手法は,(1)生体分子の配座を記述した集合変数の同定,(2)機械学習力場を訓練するための特徴の抽出,という2つのベンチマーク分子問題に対して有用性を示す。 これらの結果は,特徴選択問題に対処し,様々な応用において次元性を最適化する上でのDIIの可能性を示している。 このメソッドはPythonライブラリのDADApyで利用できる。

関連論文リスト

• Gram-Schmidt Methods for Unsupervised Feature Extraction and Selection [7.373617024876725]
  本稿では,関数空間上のGram-Schmidtプロセスを提案する。 合成および実世界のベンチマークデータセットに対する実験結果を提供する。 驚いたことに、線形特徴抽出アルゴリズムは同等であり、しばしば重要な非線形特徴抽出法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-15T21:29:57Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
  DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。 我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
  論文  参考訳（メタデータ） (2022-02-11T13:51:30Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Feature Selection Using Reinforcement Learning [0.0]
  特定の関心の予測因子を特徴付けるために使用できる変数や特徴の空間は指数関数的に増大し続けている。 モデルのバイアスを損なうことなく分散を最小化する最も特徴的な特徴を特定することは、マシンラーニングモデルのトレーニングを成功させる上で非常に重要です。
  論文  参考訳（メタデータ） (2021-01-23T09:24:37Z)
• Robust Multi-class Feature Selection via $l_{2,0}$-Norm Regularization Minimization [6.41804410246642]
  特徴選択は、データマイニングと機械学習において重要な計算処理である。 本稿では,複数クラスの特徴選択における最小二乗問題の解法として,ホモシーハードしきい値(HIHT)に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-08T02:06:06Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• METASET: Exploring Shape and Property Spaces for Data-Driven Metamaterials Design [20.272835126269374]
  より小さいが多様な単細胞が、スケーラブルな検索と非バイアス学習につながることを示す。 我々のフレキシブルな方法は、採用される計量によらず、ユニークな部分集合を蒸留することができる。 私たちの多様なサブセットは、デザイナが使用するために公開されています。
  論文  参考訳（メタデータ） (2020-06-01T03:36:37Z)

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。