論文の概要: Dynamic Feature Selection from Variable Feature Sets Using Features of Features

• arxiv url: http://arxiv.org/abs/2503.09181v1
• Date: Wed, 12 Mar 2025 09:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:08.646573
• Title: Dynamic Feature Selection from Variable Feature Sets Using Features of Features
• Title（参考訳）: 特徴量を用いた可変特徴集合からの動的特徴選択
• Authors: Katsumi Takahashi, Koh Takeuchi, Hisashi Kashima,
• Abstract要約: そこで本稿では,動的特徴選択(DFS)における可変特徴集合を用いた新しい問題設定を提案する。 提案手法は,測定可能な特徴の集合がインスタンスからインスタンスに変化しても,事前情報に基づく特徴を効果的に選択できることを示す。
• 参考スコア（独自算出の注目度）: 24.668942936732083
• License:
• Abstract: Machine learning models usually assume that a set of feature values used to obtain an output is fixed in advance. However, in many real-world problems, a cost is associated with measuring these features. To address the issue of reducing measurement costs, various methods have been proposed to dynamically select which features to measure, but existing methods assume that the set of measurable features remains constant, which makes them unsuitable for cases where the set of measurable features varies from instance to instance. To overcome this limitation, we define a new problem setting for Dynamic Feature Selection (DFS) with variable feature sets and propose a deep learning method that utilizes prior information about each feature, referred to as ''features of features''. Experimental results on several datasets demonstrate that the proposed method effectively selects features based on the prior information, even when the set of measurable features changes from instance to instance.
• Abstract（参考訳）: 機械学習モデルは通常、出力を得るために使われる特徴値のセットが事前に固定されていると仮定する。 しかし、現実世界の多くの問題では、これらの特徴を測定するのにコストが関係している。 測定コストを削減するために, 測定対象の特徴を動的に選択する手法が提案されているが, 既存の手法では, 測定可能な特徴の集合が一定であり, 測定可能な特徴の集合がインスタンスごとに異なる場合に適合しない。 この制限を克服するために,動的特徴選択(DFS)に可変特徴セットを付加した新たな問題設定を定義し,「特徴の特徴」と呼ばれる各特徴の事前情報を利用する深層学習手法を提案する。 いくつかのデータセットに対する実験結果から,評価可能な特徴の集合がインスタンスからインスタンスに変化しても,提案手法が事前情報に基づいて特徴を効果的に選択できることが示されている。

関連論文リスト

• Permutation-based multi-objective evolutionary feature selection for high-dimensional data [43.18726655647964]
  本稿では,高次元データを対象とした新しい特徴選択手法を提案する。 提案手法は多目的進化アルゴリズムを用いて候補特徴部分集合を探索する。 提案手法の有効性を,24個の高次元データセットを用いて検証した。
  論文  参考訳（メタデータ） (2025-01-24T08:11:28Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• 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)
• Feature Selection with Distance Correlation [0.0]
  距離相関に基づく特徴選択法(DisCo)を提案する。 7000以上のエネルギーフローの集合から特徴を抽出するために本手法を用いることで,より深いアーキテクチャの性能に適合できることを示す。
  論文  参考訳（メタデータ） (2022-11-30T19:00:04Z)
• VFDS: Variational Foresight Dynamic Selection in Bayesian Neural Networks for Efficient Human Activity Recognition [81.29900407096977]
  変動予測動的選択(VFDS)は、観測する次の機能サブセットを選択するポリシーを学ぶ。 本稿では,その実践においてパフォーマンスコストのトレードオフが重要となるヒューマンアクティビティ認識(HAR)タスクに,VFDSを適用した。
  論文  参考訳（メタデータ） (2022-03-31T22:52:43Z)
• Few-shot Learning for Unsupervised Feature Selection [59.75321498170363]
  教師なし特徴選択のための数ショット学習法を提案する。 提案手法では,未ラベルのターゲットインスタンスがいくつかある場合,対象タスクで関連する特徴のサブセットを選択することができる。 提案手法が既存の特徴選択法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-02T03:52:51Z)
• 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)
• 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)
• Feature Selection for Huge Data via Minipatch Learning [0.0]
  安定ミニパッチ選択(STAMPS)と適応STAMPSを提案する。 STAMPSは、データの観測と特徴の両方の小さな(適応性の高い)ランダムなサブセットに基づいて訓練された基本特徴セレクタの選択イベントのアンサンブルを構築するメタアルゴリズムである。 われわれのアプローチは一般的であり、様々な機能選択戦略や機械学習技術に応用できる。
  論文  参考訳（メタデータ） (2020-10-16T17:41:08Z)
• 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)

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。