論文の概要: Low-Dimensional Representation-Driven TSK Fuzzy System for Feature Selection

• arxiv url: http://arxiv.org/abs/2501.12607v1
• Date: Wed, 22 Jan 2025 03:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:29:05.023264
• Title: Low-Dimensional Representation-Driven TSK Fuzzy System for Feature Selection
• Title（参考訳）: 特徴選択のための低次元表現駆動型TSKファジィシステム
• Authors: Qiong Liu, Mingjie Cai, Qingguo Li,
• Abstract要約: 本稿では,サブスペース学習とTSK-FSを統合した特徴選択手法を提案する。 具体的には、射影行列は本質的な低次元表現に適合するために用いられる。 TSK-FSが数値アンダーフローによって制限されないように焼成強度をスラックする。
• 参考スコア（独自算出の注目度）: 6.630013106918258
• License:
• Abstract: Feature selection can select important features to address dimensional curses. Subspace learning, a widely used dimensionality reduction method, can project the original data into a low-dimensional space. However, the low-dimensional representation is often transformed back into the original space, resulting in information loss. Additionally, gate function-based methods in Takagi-Sugeno-Kang fuzzy system (TSK-FS) are commonly less discrimination. To address these issues, this paper proposes a novel feature selection method that integrates subspace learning with TSK-FS. Specifically, a projection matrix is used to fit the intrinsic low-dimensional representation. Subsequently, the low-dimensional representation is fed to TSK-FS to measure its availability. The firing strength is slacked so that TSK-FS is not limited by numerical underflow. Finally, the $\ell _{2,1}$-norm is introduced to select significant features and the connection to related works is discussed. The proposed method is evaluated against six state-of-the-art methods on eighteen datasets, and the results demonstrate the superiority of the proposed method.
• Abstract（参考訳）: 特徴選択は、次元的呪いに対処する重要な特徴を選択することができる。 部分空間学習(Subspace learning)は、広く使われている次元減少法であり、元のデータを低次元空間に投影することができる。 しかし、低次元表現はしばしば元の空間に戻され、情報を失う。 また,高木・菅野・康ファジィシステム(TSK-FS)のゲート関数に基づく手法は,一般的には差別が小さい。 そこで本研究では,サブスペース学習をTSK-FSと統合した特徴選択手法を提案する。 具体的には、射影行列は本質的な低次元表現に適合するために用いられる。 その後、低次元表現はTSK-FSに供給され、その可用性を測定する。 TSK-FSが数値アンダーフローによって制限されないように焼成強度をスラックする。 最後に、重要な特徴を選択するために$\ell _{2,1}$-normを導入し、関連する作業との関係について議論する。 提案手法は18のデータセットに対して6つの最先端手法を用いて評価し,提案手法の優位性を実証した。

関連論文リスト

• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Graph Convolutional Network-based Feature Selection for High-dimensional and Low-sample Size Data [4.266990593059533]
  本稿では,GRAph Convolutional nEtwork feature Selector (GRACES) という深層学習に基づく手法を提案する。 GRACESは、合成データセットと実世界のデータセットの両方において、他の特徴選択方法よりも優れているという実証的な証拠を実証する。
  論文  参考訳（メタデータ） (2022-11-25T14:46:36Z)
• Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data Visualization [20.43471678277403]
  本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。 具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。 ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
  論文  参考訳（メタデータ） (2022-07-25T14:10:24Z)
• A Subspace-based Approach for Dimensionality Reduction and Important Variable Selection [0.0]
  本研究では, ランダム化探索に基づいて, 部分空間, 縮小次元の物理空間を創出する手法を提案する。 複合金属開発プロセスから収集した高次元データに適用した場合,提案手法は予測および重要な変数選択において,その優位性を示す。
  論文  参考訳（メタデータ） (2021-06-03T04:10:34Z)
• FS-Net: Fast Shape-based Network for Category-Level 6D Object Pose Estimation with Decoupled Rotation Mechanism [49.89268018642999]
  6次元ポーズ推定のための効率的なカテゴリレベルの特徴抽出が可能な高速形状ベースネットワーク(FS-Net)を提案する。 提案手法は,カテゴリレベルおよびインスタンスレベルの6Dオブジェクトのポーズ推定における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-12T03:07:24Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減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） (2021-03-10T23:10:47Z)
• Curse of Dimensionality for TSK Fuzzy Neural Networks: Explanation and Solutions [29.72037829995358]
  本稿では,ガウス MF を持つ TSK ファジィ系が高次元入力でフェールする理由を考察する。 脱ファジフィケーションをソフトマックス関数の等価形式に変換した後,ソフトマックスの飽和に起因する性能の低下が判明した。 また,2つの解凍操作,LogTSKとHTSKは飽和を回避することができることを示した。
  論文  参考訳（メタデータ） (2021-02-08T15:10:19Z)
• Feature Selection Based on Sparse Neural Network Layer with Normalizing Constraints [0.0]
  本論文では,2つの制約を導入した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。 その結果,Sparse Neural Network Layer with Normalizing Constraints (SNEL-FS) に基づく特徴選択は,従来の FS 方式に比べて重要な特徴の選択が可能であり,優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T14:14:33Z)
• Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
  アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。 本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
  論文  参考訳（メタデータ） (2020-06-22T17:40:03Z)
• Feature Robust Optimal Transport for High-dimensional Data [125.04654605998618]
  本研究では,高次元データに対する特徴量ロバスト最適輸送(FROT)を提案する。 実世界の意味対応データセットにおいて,FROTアルゴリズムが最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-05-25T14:07:16Z)
• Learnable Subspace Clustering [76.2352740039615]
  本研究では,大規模サブスペースクラスタリング問題を効率的に解くために,学習可能なサブスペースクラスタリングパラダイムを開発する。 鍵となる考え方は、高次元部分空間を下層の低次元部分空間に分割するパラメトリック関数を学ぶことである。 我々の知る限り、本論文は、サブスペースクラスタリング手法の中で、数百万のデータポイントを効率的にクラスタ化する最初の試みである。
  論文  参考訳（メタデータ） (2020-04-09T12:53:28Z)

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。