論文の概要: Class-Level Feature Selection Method Using Feature Weighted Growing Self-Organising Maps

• arxiv url: http://arxiv.org/abs/2503.11732v1
• Date: Fri, 14 Mar 2025 11:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:34:31.536541
• Title: Class-Level Feature Selection Method Using Feature Weighted Growing Self-Organising Maps
• Title（参考訳）: 自己組織地図の重み付けによるクラスレベル特徴選択法
• Authors: Andrew Starkey, Uduak Idio Akpan, Omaimah AL Hosni, Yaseen Pullissery,
• Abstract要約: 我々はFWGSOM(Feature Weighted Growing Self-Organising Map)と呼ばれるクラスレベルの特徴選択手法を開発した。 実験の結果,本手法は他の手法よりも優れた性能を示し,クラスレベルで説明可能な結果を与えるとともに,他の手法と比較して計算フットプリントが低いことがわかった。
• 参考スコア（独自算出の注目度）: 0.26249027950824505
• License:
• Abstract: There have been several attempts to develop Feature Selection (FS) algorithms capable of identifying features that are relevant in a dataset. Although in certain applications the FS algorithms can be seen to be successful, they have similar basic limitations. In all cases, the global feature selection algorithms seek to select features that are relevant and common to all classes of the dataset. This is a major limitation since there could be features that are specifically useful for a particular class while irrelevant for other classes, and full explanation of the relationship at class level therefore cannot be determined. While the inclusion of such features for all classes could cause improved predictive ability for the relevant class, the same features could be problematic for other classes. In this paper, we examine this issue and also develop a class-level feature selection method called the Feature Weighted Growing Self-Organising Map (FWGSOM). The proposed method carries out feature analysis at class level which enhances its ability to identify relevant features for each class. Results from experiments indicate that our method performs better than other methods, gives explainable results at class level, and has a low computational footprint when compared to other methods.
• Abstract（参考訳）: データセットに関連のある特徴を識別できる特徴選択(FS)アルゴリズムの開発には、いくつかの試みがあった。 特定のアプリケーションでは、FSアルゴリズムは成功するが、同様の基本的な制限がある。 いずれの場合も、グローバルな特徴選択アルゴリズムは、データセットのすべてのクラスに関連があり、共通している機能を選択することを目指している。 これは、特定のクラスに特に有用な機能があるが、他のクラスには無関係であり、クラスレベルでの関係について完全に説明できないため、大きな制限である。 このような機能をすべてのクラスに含めると、関連するクラスの予測能力が向上する可能性があるが、他のクラスでは同様の機能が問題になる可能性がある。 本稿では,この問題を考察し,FWGSOM(Feature Weighted Growing Self-Organising Map)と呼ばれるクラスレベルの特徴選択手法を開発した。 提案手法は,各クラスに関連する特徴を識別する能力を高めるため,クラスレベルでの特徴解析を行う。 実験の結果,本手法は他の手法よりも優れた性能を示し,クラスレベルで説明可能な結果を与えるとともに,他の手法と比較して計算フットプリントが低いことがわかった。

関連論文リスト

• Feature Selection for Latent Factor Models [2.07180164747172]
  特徴の選択は、高次元データセットで関連する特徴をピンポイントするのに不可欠である。 分類のための伝統的な特徴選択方法は、クラスごとに特徴を選択するためにすべてのクラスからデータを使用する。 本稿では,低ランク生成法に基づくクラスモデルを用いて,各クラスの特徴を個別に選択する特徴選択手法について検討する。
  論文  参考訳（メタデータ） (2024-12-13T13:20:10Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Class-specific feature selection for classification explainability [0.0]
  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。
  論文  参考訳（メタデータ） (2024-11-02T10:31:55Z)
• 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)
• Multi-Class Classification from Single-Class Data with Confidences [90.48669386745361]
  本稿では,損失/モデル/最適化非依存のリスク最小化フレームワークを提案する。 提案手法は, 与えられた信頼度が高ノイズであっても, 簡易な修正でベイズ整合性を示す。
  論文  参考訳（メタデータ） (2021-06-16T15:38:13Z)
• Generative Multi-Label Zero-Shot Learning [136.17594611722285]
  マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。 我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。 私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-01-27T18:56:46Z)
• Feature Space Augmentation for Long-Tailed Data [74.65615132238291]
  実世界のデータは、各クラスの周波数が典型的に異なるため、長い尾の分布に従うことが多い。 データ再サンプリングと拡張に関するクラスバランス損失と高度な手法は、データの不均衡問題を解決するためのベストプラクティスのひとつです。 提案手法は,多種多様なサンプルを持つクラスから学習した特徴量を用いて,特徴空間における表現不足のクラスを増大させることによって,長鎖問題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-08-09T06:38:00Z)
• A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
  画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。 提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。 本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
  論文  参考訳（メタデータ） (2020-07-03T18:23:39Z)
• On-the-Fly Joint Feature Selection and Classification [16.84451472788859]
  本稿では,共同で特徴選択と分類を行うためのフレームワークを提案する。 我々は、関連する最適化問題の最適解を導出し、その構造を解析する。 提案アルゴリズムの性能を複数の公開データセット上で評価する。
  論文  参考訳（メタデータ） (2020-04-21T19:19:39Z)
• 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。