論文の概要: Margin-aware Fuzzy Rough Feature Selection: Bridging Uncertainty Characterization and Pattern Classification

• arxiv url: http://arxiv.org/abs/2505.15250v1
• Date: Wed, 21 May 2025 08:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.304878
• Title: Margin-aware Fuzzy Rough Feature Selection: Bridging Uncertainty Characterization and Pattern Classification
• Title（参考訳）: Margin-Aware Fuzzy Rough Feature Selection: Bridging Uncertainty Characteristics and Pattern Classification
• Authors: Suping Xu, Lin Shang, Keyu Liu, Hengrong Ju, Xibei Yang, Witold Pedrycz,
• Abstract要約: ファジィラフ特徴選択(FRFS)は、高次元データにおける次元の呪いに対処する有効な手段である。 本稿では,ラベルクラスのコンパクト性と分離性を考慮したマージン対応ファジィラフ特徴選択(MAFRFS)フレームワークを提案する。 15の公開データセットの実験では、MAFRFSはFRFSよりも高度にスケーラブルで効果的であることが示されている。
• 参考スコア（独自算出の注目度）: 42.20885923478607
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fuzzy rough feature selection (FRFS) is an effective means of addressing the curse of dimensionality in high-dimensional data. By removing redundant and irrelevant features, FRFS helps mitigate classifier overfitting, enhance generalization performance, and lessen computational overhead. However, most existing FRFS algorithms primarily focus on reducing uncertainty in pattern classification, neglecting that lower uncertainty does not necessarily result in improved classification performance, despite it commonly being regarded as a key indicator of feature selection effectiveness in the FRFS literature. To bridge uncertainty characterization and pattern classification, we propose a Margin-aware Fuzzy Rough Feature Selection (MAFRFS) framework that considers both the compactness and separation of label classes. MAFRFS effectively reduces uncertainty in pattern classification tasks, while guiding the feature selection towards more separable and discriminative label class structures. Extensive experiments on 15 public datasets demonstrate that MAFRFS is highly scalable and more effective than FRFS. The algorithms developed using MAFRFS outperform six state-of-the-art feature selection algorithms.
• Abstract（参考訳）: ファジィラフ特徴選択(FRFS)は、高次元データにおける次元の呪いに対処する有効な手段である。 冗長で無関係な特徴を取り除くことで、FRFSは分類器の過度な適合を緩和し、一般化性能を高め、計算オーバーヘッドを低減する。 しかし、既存のFRFSアルゴリズムは主にパターン分類の不確かさの低減に重点を置いており、低い不確かさが必ずしも分類性能の改善をもたらすとは限らないことを無視している。 不確実性の特徴とパターンの分類を橋渡しするために,ラベルクラスのコンパクト性と分離性を考慮したマージン対応ファジィラフ特徴選択(MAFRFS)フレームワークを提案する。 MAFRFSは、パターン分類タスクにおける不確実性を効果的に低減し、特徴選択をより分離可能で識別可能なラベルクラス構造へと導く。 15の公開データセットに対する大規模な実験により、MAFRFSはFRFSよりも高度にスケーラブルで効果的であることが示された。 MAFRFSを用いて開発されたアルゴリズムは、6つの最先端特徴選択アルゴリズムより優れている。

関連論文リスト

• Fairness-aware Bayes optimal functional classification [7.252020628689346]
  アルゴリズムの公正さは機械学習における中心的なトピックとなっている。 フェアネス制約下での関数データの分類について検討する。 フェアネスを考慮した機能分類のための統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-14T15:22:09Z)
• Enhancing Imbalance Learning: A Novel Slack-Factor Fuzzy SVM Approach [0.0]
  サポートベクターマシン(FSVM)は、様々なファジィメンバシップをサンプルに割り当てることで、クラス不均衡に対処する。 最近開発されたslack-factor-based FSVM(SFFSVM)は、slack Factorを使用して、誤分類可能性に基づいてファジィメンバシップを調整することで、従来のFSVMを改善している。 そこで我々は,新しい位置パラメータを導入する改良されたスラックファクターベースFSVM(ISFFSVM)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T05:47:01Z)
• 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)
• Online Sparse Streaming Feature Selection Using Adapted Classification [5.587715545506331]
  既存の方法は、データを欠くことなく、特徴を関連性または無関係に分割する。 適応型分類(OS2FS-AC)に基づくオンラインスパースストリーミングの特徴選択を提案する。 10個の実世界のデータセットの実験結果から、OS2FS-ACは最先端のアルゴリズムよりも性能が良いことが示された。
  論文  参考訳（メタデータ） (2023-02-25T03:03:53Z)
• Exploring Classification Equilibrium in Long-Tailed Object Detection [29.069986049436157]
  そこで本研究では,各カテゴリの平均分類スコアを用いて,各カテゴリの分類精度を示す。 EBL (Equilibrium Loss) と Memory-augmented Feature Smpling (MFS) 法による分類のバランスをとる。 尾クラスの検出性能を15.6 APで改善し、最新の長い尾を持つ物体検出器を1 AP以上で上回っている。
  論文  参考訳（メタデータ） (2021-08-17T08:39:04Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• RFCBF: enhance the performance and stability of Fast Correlation-Based Filter [6.781877756322586]
  分類精度を向上させるために再サンプリング技術を組み合わせた新しいFCBF拡張RFCBFを提案する。 実験結果から,RFCBFアルゴリズムは従来の最先端手法よりも,分類精度と実行時間で有意に優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-30T12:36:32Z)
• Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face Forgery Detection [89.43987367139724]
  顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。 近年の業績は良好なものとなっているが、いまだに無視できない問題がある。 本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-16T14:17:17Z)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。