Fugu-MT 論文翻訳(概要): Feature Selection Based on Wasserstein Distance

論文の概要: Feature Selection Based on Wasserstein Distance

arxiv url: http://arxiv.org/abs/2411.07217v1
Date: Mon, 11 Nov 2024 18:38:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:08:24.990353
Title: Feature Selection Based on Wasserstein Distance
Title（参考訳）: Wasserstein距離に基づく特徴選択
Authors: Fuwei Li,
Abstract要約: 特徴選択は入力データの次元性を低減する上で重要な役割を果たす。提案手法はワッサーシュタイン距離を利用して,選択した特徴量と原特徴量との類似度を測定する。実験により,本手法が従来の手法より優れていることが示された。
参考スコア（独自算出の注目度）: 1.450405446885067
License:
Abstract: In this paper, we present a novel feature selection method based on the Wasserstein distance. Feature selection plays a critical role in reducing the dimensionality of input data, thereby improving machine learning efficiency and generalization performance. Unlike traditional feature selection approaches that rely on criteria such as correlation or KL divergence, our method leverages the Wasserstein distance to measure the similarity between distributions of selected features and original features. This approach inherently accounts for similarities between classes, making it robust in scenarios involving noisy labels. Experimental results demonstrate that our method outperforms traditional approaches, particularly in challenging settings involving noisy labeled data.
Abstract（参考訳）: 本稿では,ワッサーシュタイン距離に基づく特徴選択手法を提案する。特徴選択は入力データの次元性を低減する上で重要な役割を担い、機械学習効率と一般化性能を向上させる。相関やKLの発散といった基準に依存する従来の特徴選択手法とは異なり、この手法はワッサーシュタイン距離を利用して選択された特徴の分布と原特徴との類似性を測定する。このアプローチは本質的にクラス間の類似性を考慮し、ノイズのあるラベルを含むシナリオでは堅牢である。実験結果から,提案手法は従来の手法,特にノイズのあるラベル付きデータを含む課題に優れていた。

関連論文リスト

Feature Selection Based on Orthogonal Constraints and Polygon Area [10.587608254638667]
特徴選択の目的は、各特徴の重要性を評価することにより、認識タスクにおける特徴の最適なサブセットを選択することである。本稿では,特徴ラベルを拡張した依存関係間の非単調線形探索を提案する。実験結果から,本手法は識別依存を効果的にとらえるだけでなく,次元分類性能を低下させる従来の手法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） (2024-02-25T08:20:05Z)
Feature Selection via Maximizing Distances between Class Conditional Distributions [9.596923373834093]
積分確率測定(IPMs)により測定されたクラス条件分布間の距離に基づく新しい特徴選択フレームワークを提案する。本フレームワークは, 教師付き分類のための分布感覚における特徴の識別的情報を直接探索する。実験により,本フレームワークは,摂動に対する分類精度とロバスト性の観点から,最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2024-01-15T06:10:10Z)
A Contrast Based Feature Selection Algorithm for High-dimensional Data set in Machine Learning [9.596923373834093]
本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
論文参考訳（メタデータ） (2024-01-15T05:32:35Z)
Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文参考訳（メタデータ） (2023-11-09T23:32:06Z)
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)
Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文参考訳（メタデータ） (2023-04-04T03:48:56Z)
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 Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文参考訳（メタデータ） (2021-11-25T17:33:12Z)
Post-selection inference with HSIC-Lasso [19.928884107444908]
本稿では,多面体補題と混在するガウスの枠組みを用いた選択的推論手法を提案する。次に,計算コストの低いアルゴリズムを開発し,正規化パラメータの選択を行う。提案手法の性能は, 実世界のデータベース実験と実世界のデータベース実験の両方で説明され, サンプルサイズが小さい場合でも, タイプI誤差の厳密な制御を強調した。
論文参考訳（メタデータ） (2020-10-29T15:10:21Z)
Differentiable Unsupervised Feature Selection based on a Gated Laplacian [7.970954821067042]
本稿では,低周波特徴を優先するラプラシアンスコアと,特徴選択のためのゲーティング機構を組み合わせた識別可能な損失関数を提案する。我々は,提案手法を数学的に動機付け,高雑音条件下では,全特徴集合ではなく,ゲート入力上でラプラシアンを計算することが重要であることを示す。
論文参考訳（メタデータ） (2020-07-09T11:58:16Z)
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)

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。