論文の概要: Class-specific feature selection for classification explainability

• arxiv url: http://arxiv.org/abs/2411.01204v1
• Date: Sat, 02 Nov 2024 10:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:42:22.660483
• Title: Class-specific feature selection for classification explainability
• Title（参考訳）: 分類説明可能性のためのクラス固有の特徴選択
• Authors: Jesus S. Aguilar-Ruiz,
• Abstract要約: この研究はまず、特徴の選択と分類に焦点をあてて、クラス固有の概念の包括的なレビューを紹介する。 クラス固有の概念の基本的な考え方は、各特徴の重要性があるクラスから別のクラスに変化するという理解にある。 このクラス固有の観点は、各クラス固有の特徴を認識し、活用することによって、分類タスクに対するより効果的なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Feature Selection techniques aim at finding a relevant subset of features that perform equally or better than the original set of features at explaining the behavior of data. Typically, features are extracted from feature ranking or subset selection techniques, and the performance is measured by classification or regression tasks. However, while selected features may not have equal importance for the task, they do have equal importance for each class. This work first introduces a comprehensive review of the concept of class-specific, with a focus on feature selection and classification. The fundamental idea of the class-specific concept resides in the understanding that the significance of each feature can vary from one class to another. This contrasts with the traditional class-independent approach, which evaluates the importance of attributes collectively for all classes. For example, in tumor prediction scenarios, each type of tumor may be associated with a distinct subset of relevant features. These features possess significant discriminatory power, enabling the differentiation of one tumor type from others. This class-specific perspective offers a more effective approach to classification tasks by recognizing and leveraging the unique characteristics of each class. Secondly, classification schemes from one-versus-all and one-versus-each strategies are described, and a novel deep one-versus-each strategy is introduced, which offers advantages from the point of view of explainability (feature selection) and decomposability (classification). Thirdly, a novel class-specific relevance matrix is presented, from which some more sophisticated classification schemes can be derived, such as the three-layer class-specific scheme. The potential for further advancements is wide and will open new horizons for exploring novel research directions in multiclass hyperdimensional contexts.
• Abstract（参考訳）: 特徴選択技術は、データの振る舞いを説明する際に、元の特徴セットよりも同等かそれ以上に機能する機能の関連するサブセットを見つけることを目的としている。 通常、特徴ランク付けまたはサブセット選択技術から特徴を抽出し、その性能を分類または回帰タスクによって測定する。 しかし、選択された特徴はタスクに等しく重要でないかもしれないが、各クラスに等しく重要である。 この研究はまず、特徴の選択と分類に焦点をあてて、クラス固有の概念の包括的なレビューを紹介する。 クラス固有の概念の基本的な考え方は、各特徴の重要性があるクラスから別のクラスに変化するという理解にある。 これは、すべてのクラスに対する属性の集合的重要性を評価する従来のクラスに依存しないアプローチとは対照的である。 例えば、腫瘍予測のシナリオでは、各種類の腫瘍は関連する特徴の異なるサブセットに関連付けられている可能性がある。 これらの特徴は有意な識別力を有し、1つの腫瘍型を他の腫瘍と区別することができる。 このクラス固有の観点は、各クラス固有の特徴を認識し、活用することによって、分類タスクに対するより効果的なアプローチを提供する。 第2に,一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一進一元一元一元一元一元一元一元一元一意一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元 第三に、新しいクラス固有の関連行列が提示され、3層クラス固有のスキームのようなより洗練された分類スキームが導出される。 さらなる発展の可能性は広く、多層超次元の文脈における新しい研究方向を探求するための新たな地平を開拓する。

関連論文リスト

• High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning [54.86882315023791]
  一般化ゼロショット学習(HDAFL)のための高識別属性特徴学習(High-Discriminative Attribute Feature Learning)という革新的な手法を提案する。 HDAFLは複数の畳み込みカーネルを使用して、画像の属性と高い相関性を持つ識別領域を自動的に学習する。 また、属性間の識別能力を高めるために、Transformerベースの属性識別エンコーダを導入する。
  論文  参考訳（メタデータ） (2024-04-07T13:17:47Z)
• Feature selection simultaneously preserving both class and cluster structures [5.5612170847190665]
  本稿では,クラス識別と構造保存の両方を統合的に重視するニューラルネットワークに基づく特徴選択手法を提案する。 実験の結果から,提案した特徴/帯域選択により,分類とクラスタリングの両方に適する特徴のサブセットを選択できると主張する。
  論文  参考訳（メタデータ） (2023-07-08T04:49:51Z)
• Understanding the classes better with class-specific and rule-specific feature selection, and redundancy control in a fuzzy rule based framework [5.5612170847190665]
  本稿ではファジィルールに基づく分類器に組込み,クラス固有の特徴選択手法を提案する。 本手法はクラス固有のサブセットを含むクラス固有のルールを生成する。 提案手法の有効性は3つの合成データセットの実験を通して検証された。
  論文  参考訳（メタデータ） (2022-08-02T07:45:34Z)
• Multivariate feature ranking of gene expression data [62.997667081978825]
  ペアワイズ相関とペアワイズ整合性に基づく2つの新しい多変量特徴ランキング手法を提案する。 提案手法は, クラスタリング変動, チ・スクエアド, 相関, 情報ゲイン, ReliefF および Significance の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-03T17:19:53Z)
• 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)
• Multi-Objective Few-shot Learning for Fair Classification [23.05869193599414]
  本稿では,データ内の二次属性に対する予測クラスの相違を緩和する枠組みを提案する。 提案手法は,データから一次クラスラベルを予測することの主目的を学習することに加えて,クラスタメンバシップに対するクラスラベル分布の差異を最小限に抑えるためにクラスタリングをベースとした多目的関数を学習することを含む。
  論文  参考訳（メタデータ） (2021-10-05T11:28:58Z)
• Discriminative Attribution from Counterfactuals [64.94009515033984]
  本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。 本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-28T00:53:34Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Meta Learning for Few-Shot One-class Classification [0.0]
  メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。 これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。 数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2020-09-11T11:35:28Z)
• A Novel Community Detection Based Genetic Algorithm for Feature Selection [3.8848561367220276]
  著者らは3つのステップで機能するコミュニティ検出に基づく遺伝的アルゴリズムを提案する。 提案手法の性能から,9つのベンチマーク分類問題を解析した。
  論文  参考訳（メタデータ） (2020-08-08T15:39:30Z)
• Learning Class Regularized Features for Action Recognition [68.90994813947405]
  本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。 動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
  論文  参考訳（メタデータ） (2020-02-07T07:27:49Z)

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。