論文の概要: Particle swarm optimization for online sparse streaming feature selection under uncertainty
- arxiv url: http://arxiv.org/abs/2508.20123v1
- Date: Sun, 24 Aug 2025 07:56:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:01.565536
- Title: Particle swarm optimization for online sparse streaming feature selection under uncertainty
- Title（参考訳）: 不確実性下におけるオンラインスパースストリーミング特徴選択のための粒子群最適化
- Authors: Ruiyang Xu,
- Abstract要約: 高次元ストリーミングデータを含む実世界のアプリケーションでは、オンラインストリーミング機能選択(OSFS)が広く採用されている。
本研究は、パーティクルスワム最適化(PSO)により強化されたPOS2FS-不確実性を考慮したオンラインスパースストリーミング特徴選択フレームワークを提案する。
1)PSOによる特徴ラベル関係の不確実性低減,2)教師付き学習における特徴ファジネス管理のための3方向決定理論の導入。
- 参考スコア（独自算出の注目度）: 2.03725086642376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real-world applications involving high-dimensional streaming data, online streaming feature selection (OSFS) is widely adopted. Yet, practical deployments frequently face data incompleteness due to sensor failures or technical constraints. While online sparse streaming feature selection (OS2FS) mitigates this issue via latent factor analysis-based imputation, existing methods struggle with uncertain feature-label correlations, leading to inflexible models and degraded performance. To address these gaps, this work proposes POS2FS-an uncertainty-aware online sparse streaming feature selection framework enhanced by particle swarm optimization (PSO). The approach introduces: 1) PSO-driven supervision to reduce uncertainty in feature-label relationships; 2) Three-way decision theory to manage feature fuzziness in supervised learning. Rigorous testing on six real-world datasets confirms POS2FS outperforms conventional OSFS and OS2FS techniques, delivering higher accuracy through more robust feature subset selection.
- Abstract（参考訳）: 高次元ストリーミングデータを含む実世界のアプリケーションでは、オンラインストリーミング機能選択(OSFS)が広く採用されている。
しかし、実際のデプロイメントは、センサーの故障や技術的な制約のために、しばしばデータ不完全性に直面します。
オンラインスパースストリーミング機能選択(OS2FS)は、潜在因子分析に基づく計算によってこの問題を緩和するが、既存の手法は不確実な特徴ラベル相関に悩まされ、柔軟性のないモデルと性能が低下する。
これらのギャップに対処するために、POS2FSは、パーティクルスワム最適化(PSO)により強化された、不確実性を意識したオンラインスパースストリーミング特徴選択フレームワークである。
このアプローチは次のようなものだ。
1)PSOによる特徴ラベル関係の不確かさの低減
2【教師付き学習における特徴ファジィネス管理のための三方向決定理論】
6つの実世界のデータセットの厳密なテストにより、POS2FSは従来のOSFSおよびOS2FS技術より優れており、より堅牢な機能サブセット選択によってより高い精度を提供する。
関連論文リスト
- Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。
本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
論文 参考訳（メタデータ） (2025-07-13T05:37:33Z) - Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。
本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
論文 参考訳（メタデータ） (2025-07-12T17:11:06Z) - Revisiting CLIP for SF-OSDA: Unleashing Zero-Shot Potential with Adaptive Threshold and Training-Free Feature Filtering [8.875465803682808]
適応しきい値処理戦略と未知のクラス機能フィルタリングモジュールという,2つの重要なコンポーネントを統合した新しいSF-OSDAアプローチであるCLIPXpertを提案する。
実験により、ソースフリーでトレーニング不要な手法は、DomainNetデータセット上で、最先端のトレーニング済みアプローチであるUOTAを1.92%上回る結果となった。
論文 参考訳（メタデータ） (2025-04-19T08:12:19Z) - Federated Learning for Efficient Condition Monitoring and Anomaly Detection in Industrial Cyber-Physical Systems [0.30723404270319693]
本稿では,センサの信頼性に基づく適応モデルアグリゲーション,資源最適化のための動的ノード選択,耐故障性のためのワイブルチェックポインティングという,3つの重要な革新を伴う拡張FLフレームワークを提案する。
NASAベアリングと水圧システムのデータセットの実験は、最先端のFL法と比較して優れた性能を示し、異常検出とノード故障時の精度の維持において99.5%のAUC-ROCを達成した。
論文 参考訳（メタデータ） (2025-01-28T03:04:47Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - 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) - An Online Sparse Streaming Feature Selection Algorithm [14.414813893419506]
我々は不確実性のあるオンラインスパースストリーミング特徴選択アルゴリズム(OS2FSU)を提案する。
OS2FSUは,1)特徴選択の導出前の疎ストリーミング特徴の欠落を事前に推定するために潜時因子分析を用い,2)特徴選択を行う際の推定ストリーミング特徴とラベルの不確かさを軽減するためにファジィ論理と周辺粗さ集合を用いる。
結果、OS2FSUはOSFSでデータ不足が発生した場合、競合より優れていることが示された。
論文 参考訳（メタデータ） (2022-08-02T16:08:22Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z)
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。