論文の概要: Sparse minimum Redundancy Maximum Relevance for feature selection

• arxiv url: http://arxiv.org/abs/2508.18901v1
• Date: Tue, 26 Aug 2025 10:18:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.799509
• Title: Sparse minimum Redundancy Maximum Relevance for feature selection
• Title（参考訳）: 特徴選択のためのスパース最小冗長性最大値
• Authors: Peter Naylor, Benjamin Poignard, Héctor Climente-González, Makoto Yamada,
• Abstract要約: 不活性な特徴は、ペナル化された特徴スクリーニング手順によって識別される。 提案手法はHLAS-SOと同等に機能するが,選択した特徴数ではより保守的である。 この手法の有効性はシミュレーションによって示されるのではなく、FDRしきい値を設定する必要がある。
• 参考スコア（独自算出の注目度）: 14.65479063982159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a feature screening method that integrates both feature-feature and feature-target relationships. Inactive features are identified via a penalized minimum Redundancy Maximum Relevance (mRMR) procedure, which is the continuous version of the classic mRMR penalized by a non-convex regularizer, and where the parameters estimated as zero coefficients represent the set of inactive features. We establish the conditions under which zero coefficients are correctly identified to guarantee accurate recovery of inactive features. We introduce a multi-stage procedure based on the knockoff filter enabling the penalized mRMR to discard inactive features while controlling the false discovery rate (FDR). Our method performs comparably to HSIC-LASSO but is more conservative in the number of selected features. It only requires setting an FDR threshold, rather than specifying the number of features to retain. The effectiveness of the method is illustrated through simulations and real-world datasets. The code to reproduce this work is available on the following GitHub: https://github.com/PeterJackNaylor/SmRMR.
• Abstract（参考訳）: 特徴-特徴関係と特徴-対象関係を統合した特徴スクリーニング手法を提案する。 非凸正則化器によってペナル化された古典的mRMRの連続バージョンであり、ゼロ係数として推定されるパラメータが不活性な特徴の集合を表す。 不活性な特徴の正確な回復を保証するため、ゼロ係数を正確に同定する条件を確立する。 偽発見率 (FDR) を制御しながら, ペナル化したmRMRが不活性な特徴を捨てることを可能にする, ノックオフフィルタに基づく多段階プロシージャを提案する。 本手法はHSIC-LASSOと同等に機能するが,選択した特徴数ではより保守的である。 保持する機能の数を指定するのではなく、FDRしきい値を設定するだけでよい。 この手法の有効性はシミュレーションと実世界のデータセットを通して説明される。 この作業を再現するコードは、以下のGitHubで入手できる。

関連論文リスト

• QR-LoRA: Efficient and Disentangled Fine-tuning via QR Decomposition for Customized Generation [52.024845354511555]
  構造化パラメータ更新にQR分解を利用する新しい微調整フレームワークであるQR-LoRAを提案する。 我々の重要な洞察は、Q行列が視覚的特徴間の干渉を自然に最小化することである。 QR-LoRAは、コンテンツスタイルの融合タスクにおいて、より優れた絡み合いを実現することを示す実験である。
  論文  参考訳（メタデータ） (2025-07-07T01:31:01Z)
• HCVR: A Hybrid Approach with Correlation-aware Voting Rules for Feature Selection [0.0]
  HCVR(Hybrid approach with correlation-aware Voting Rules)は軽量なルールベースの特徴選択法である。 1対1の相関関係を組み合わせることで、冗長な機能や関連するものを排除する。 その結果,従来の非定常(CFS,mRMR,MI)および反復(RFE,SFS,ジェネティック)技術と比較して改善が見られた。
  論文  参考訳（メタデータ） (2025-07-02T18:20:56Z)
• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Is the MMI Criterion Necessary for Interpretability? Degenerating Non-causal Features to Plain Noise for Self-Rationalization [17.26418974819275]
  本稿では, 突発的特徴をプレーンノイズとして扱う新しい基準を開発する。 実験により、我々のMDD基準は、近年の競争力のあるMMIの変種と比較して、有理量品質(人間注釈の有理量との重なりによって測定される)を最大10.4%向上させることが示された。
  論文  参考訳（メタデータ） (2024-10-08T13:04:02Z)
• 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)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)

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。