論文の概要: TRUST-FS: Tensorized Reliable Unsupervised Multi-View Feature Selection for Incomplete Data
- arxiv url: http://arxiv.org/abs/2509.13192v1
- Date: Tue, 16 Sep 2025 15:54:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:53.159282
- Title: TRUST-FS: Tensorized Reliable Unsupervised Multi-View Feature Selection for Incomplete Data
- Title（参考訳）: TRUST-FS:不完全データに対する信頼性の高い教師なしマルチビュー特徴選択
- Authors: Minghui Lu, Yanyong Huang, Minbo Ma, Dongjie Wang, Xiuwen Yi, Tianrui Li,
- Abstract要約: 近年,Multi-view unsupervised feature selection (MUFS)が研究の関心を集めている。
不完全なマルチビューデータの既存のメソッドは、欠落したビューの処理に限られており、欠落した変数のより一般的なシナリオに対処できない。
TRUSTFS(Reliable Unview Feature Selection)と呼ばれる不完全なマルチビューデータに対する新しいMUFS手法を提案する。
TrustFSは、統合因数分解フレームワーク内で、機能選択、欠落した命令、およびビューウェイトラーニングを同時に実行する。
- 参考スコア（独自算出の注目度）: 15.2618846897032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view unsupervised feature selection (MUFS), which selects informative features from multi-view unlabeled data, has attracted increasing research interest in recent years. Although great efforts have been devoted to MUFS, several challenges remain: 1) existing methods for incomplete multi-view data are limited to handling missing views and are unable to address the more general scenario of missing variables, where some features have missing values in certain views; 2) most methods address incomplete data by first imputing missing values and then performing feature selection, treating these two processes independently and overlooking their interactions; 3) missing data can result in an inaccurate similarity graph, which reduces the performance of feature selection. To solve this dilemma, we propose a novel MUFS method for incomplete multi-view data with missing variables, termed Tensorized Reliable UnSupervised mulTi-view Feature Selection (TRUST-FS). TRUST-FS introduces a new adaptive-weighted CP decomposition that simultaneously performs feature selection, missing-variable imputation, and view weight learning within a unified tensor factorization framework. By utilizing Subjective Logic to acquire trustworthy cross-view similarity information, TRUST-FS facilitates learning a reliable similarity graph, which subsequently guides feature selection and imputation. Comprehensive experimental results demonstrate the effectiveness and superiority of our method over state-of-the-art methods.
- Abstract（参考訳）: 近年,多視点無ラベルデータから情報的特徴を選択するMulti-view Unsupervised Feature selection (MUFS)が注目されている。
MUFSに多大な努力が注がれているが、いくつかの課題が残っている。
1)不完全なマルチビューデータの既存のメソッドは、欠落したビューの処理に限られており、特定のビューに値の欠落がある変数のより一般的なシナリオに対処できない。
2) 多くのメソッドは,まず不足した値を入力し,次に特徴の選択を行い,これら2つのプロセスを独立して処理し,相互作用を見渡すことによって,不完全なデータに対処する。
3) 欠落したデータは不正確な類似性グラフとなり、特徴選択の性能が低下する。
このジレンマを解決するために,不完全な多視点データに対する新しいMUFS法を提案し,その手法をTRUST-FS(Tensorized Reliable UnSupervised mulTi-view Feature Selection)と呼ぶ。
TRUST-FSは、新しい適応重み付きCP分解を導入し、特徴選択、不足変数の計算、および統一テンソル分解フレームワーク内での視重み学習を同時に行う。
主観論理を利用して信頼性の高いクロスビュー類似性情報を取得することにより、TRUST-FSは信頼性の高い類似性グラフの学習を容易にし、特徴の選択と計算をガイドする。
総合的な実験結果から, 最先端手法に対する本手法の有効性と優位性を実証した。
関連論文リスト
- Adapt-$\infty$: Scalable Continual Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
Adapt-$infty$は、生涯のインストラクションチューニングのための、新しいマルチウェイおよびアダプティブなデータ選択アプローチである。
勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。
セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。
このデータセレクタは、トレーニングのために各スキルクラスタから最も重要なサンプルのサブセットをサンプリングする。
論文 参考訳（メタデータ） (2024-10-14T15:48:09Z) - Unified View Imputation and Feature Selection Learning for Incomplete
Multi-view Data [13.079847265195127]
マルチビュー非教師付き特徴選択(MUFS)は、機械学習における次元性の低減に有効な技術である。
既存の方法は、一部のサンプルが欠落している不完全なマルチビューデータを直接処理することはできない。
UNIFIERは、サンプルと特徴空間の両方から類似性誘発グラフを適応的に学習することにより、マルチビューデータの局所構造を探索する。
論文 参考訳（メタデータ） (2024-01-19T08:26:44Z) - A data-science pipeline to enable the Interpretability of Many-Objective
Feature Selection [0.1474723404975345]
多目的特徴選択(MOFS)アプローチは、4つ以上の目的を用いて、教師付き学習タスクにおける機能のサブセットの関連性を決定する。
本稿では,MOFS結果の解釈と比較においてデータサイエンティストを支援する手法を提案する。
論文 参考訳（メタデータ） (2023-11-30T17:44:22Z) - MvFS: Multi-view Feature Selection for Recommender System [7.0190343591422115]
本稿では,各インスタンスのより効率的な情報機能を選択するMulti-view Feature Selection (MvFS)を提案する。
MvFSは複数のサブネットワークで構成されるマルチビューネットワークを採用しており、それぞれがデータの一部の特徴的重要性を計測することを学ぶ。
MvFSは、各分野に独立して適用される効果的な重要スコアモデリング戦略を採用している。
論文 参考訳（メタデータ） (2023-09-05T09:06:34Z) - C$^{2}$IMUFS: Complementary and Consensus Learning-based Incomplete
Multi-view Unsupervised Feature Selection [12.340714611533418]
マルチビュー非教師付き特徴選択(MUFS)は、ラベルなしデータの次元を減少させる有効な手法として実証されている。
本稿では、上記の問題に対処するため、補完的かつコンセンサスに基づく不完全なマルチビュー非教師付き特徴選択法(C$2$IMUFS)を提案する。
C$2$IMUFSは、ビューウェイトとスパース$ell_2,p$-normの適応学習を備えた拡張重み付き非負行列分解モデルに特徴選択を統合する。
論文 参考訳（メタデータ） (2022-08-20T19:39:17Z) - MGA-VQA: Multi-Granularity Alignment for Visual Question Answering [75.55108621064726]
視覚的な質問に答えることを学ぶことは、マルチモーダル入力が2つの特徴空間内にあるため、難しい作業である。
視覚質問応答タスク(MGA-VQA)のための多言語アライメントアーキテクチャを提案する。
我々のモデルはアライメントを異なるレベルに分割し、追加のデータやアノテーションを必要とせずにより良い相関関係を学習します。
論文 参考訳（メタデータ） (2022-01-25T22:30:54Z) - LIFE: Learning Individual Features for Multivariate Time Series
Prediction with Missing Values [71.52335136040664]
本稿では,MTS予測のための新しいパラダイムを提供する学習個人特徴(LIFE)フレームワークを提案する。
LIFEは、相関次元を補助情報として使用し、非相関次元からの干渉を欠落値で抑制することにより、予測のための信頼性の高い特徴を生成する。
3つの実世界のデータセットの実験は、既存の最先端モデルに対するLIFEの優位性を検証する。
論文 参考訳（メタデータ） (2021-09-30T04:53:24Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Tracklets Predicting Based Adaptive Graph Tracking [51.352829280902114]
マルチオブジェクト追跡,すなわち textbfTPAGT のための,正確かつエンドツーエンドの学習フレームワークを提案する。
動作予測に基づいて、現在のフレーム内のトラックレットの特徴を再抽出する。
論文 参考訳（メタデータ） (2020-10-18T16:16:49Z)
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。