論文の概要: Top-$k$ Feature Importance Ranking

• arxiv url: http://arxiv.org/abs/2509.15420v1
• Date: Thu, 18 Sep 2025 20:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.898629
• Title: Top-$k$ Feature Importance Ranking
• Title（参考訳）: Top-k$ Feature Importance Ranking
• Authors: Yuxi Chen, Tiffany Tang, Genevera Allen,
• Abstract要約: RAMPARTは、新しいアルゴリズムで既存の機能の重要度を測定するフレームワークである。 提案手法は,有望な特徴に計算資源を徐々に集中させる適応的半進戦略を組み合わせたものである。 本稿では,RAMPARTが適切な上位$kのランキングを,軽度条件下で高い確率で達成できることを理論的に保証する。
• 参考スコア（独自算出の注目度）: 0.2906550609733701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate ranking of important features is a fundamental challenge in interpretable machine learning with critical applications in scientific discovery and decision-making. Unlike feature selection and feature importance, the specific problem of ranking important features has received considerably less attention. We introduce RAMPART (Ranked Attributions with MiniPatches And Recursive Trimming), a framework that utilizes any existing feature importance measure in a novel algorithm specifically tailored for ranking the top-$k$ features. Our approach combines an adaptive sequential halving strategy that progressively focuses computational resources on promising features with an efficient ensembling technique using both observation and feature subsampling. Unlike existing methods that convert importance scores to ranks as post-processing, our framework explicitly optimizes for ranking accuracy. We provide theoretical guarantees showing that RAMPART achieves the correct top-$k$ ranking with high probability under mild conditions, and demonstrate through extensive simulation studies that RAMPART consistently outperforms popular feature importance methods, concluding with a high-dimensional genomics case study.
• Abstract（参考訳）: 重要な機能の正確なランク付けは、科学的な発見と意思決定に重要な応用で機械学習を解釈する上で、根本的な課題である。 特徴の選択や特徴の重要性とは異なり、重要な特徴をランク付けする特定の問題はそれほど注目されていない。 私たちはRAMPART(Ranked Attributions with MiniPatches And Recursive Trimming)を紹介します。 提案手法は,有望な特徴に計算資源を徐々に集中させる適応的逐次半進戦略と,観察と特徴サブサンプリングの両方を用いた効率的なアンサンブル手法を組み合わせたものである。 重要なスコアをポストプロセッシングとしてランクに変換する既存の方法とは異なり、我々のフレームワークはランクの精度を明示的に最適化する。 本論では,RAMPART が高次条件下で高い確率で正しい最高ランクを達成できることを理論的に保証するとともに,RAMPART が高次元ゲノミクスのケーススタディを結論として,一般的な特徴重要度手法を一貫して上回っていることを示す広範なシミュレーション研究を通じて実証する。

関連論文リスト

• Large-scale Multi-objective Feature Selection: A Multi-phase Search Space Shrinking Approach [0.27624021966289597]
  特徴の選択は、特に高次元データセットにおいて、機械学習において重要なステップである。 本稿では,LMSSSと呼ばれる探索空間の縮小に基づく大規模多目的進化アルゴリズムを提案する。 提案アルゴリズムの有効性は、15の大規模データセットに対する包括的実験によって実証される。
  論文  参考訳（メタデータ） (2024-10-13T23:06:10Z)
• Statistical Significance of Feature Importance Rankings [3.8642937395065124]
  高確率保証で最も重要な機能が正しいことを確実にするテクニックを考案する。 これらは、上位機能のセットと要素の順序をK$で評価する。 次に、2つの効率的なサンプリングアルゴリズムを導入し、おそらくは1-alpha$を超える確率で、K$の最も重要な特徴を識別する。
  論文  参考訳（メタデータ） (2024-01-28T23:14:51Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Deep Feature Selection Using a Novel Complementary Feature Mask [5.904240881373805]
  重要度が低い機能を活用することで、機能選択に対処します。 本稿では,新しい補完機能マスクに基づく特徴選択フレームワークを提案する。 提案手法は汎用的であり,既存のディープラーニングに基づく特徴選択手法に容易に組み込むことができる。
  論文  参考訳（メタデータ） (2022-09-25T18:03:30Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• An Efficient and Accurate Rough Set for Feature Selection, Classification and Knowledge Representation [89.5951484413208]
  本稿では, 特徴選択, 分類, 知識表現を同時に実現する, 粗集合に基づく強力なデータマイニング手法を提案する。 まず, ノイズ特性の処理において, 粗集合の非効率性について検討し, 相対的重要度と呼ばれる特性のロバストな測定法を提案する。 公開ベンチマークデータセットによる実験結果から,提案フレームワークは7つの人気や最先端の機能選択手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-12-29T12:45:49Z)
• Loss Function Search for Face Recognition [75.79325080027908]
  最適な候補を自動的に獲得する報酬誘導探索法を開発した。 種々の顔認証ベンチマークの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-10T03:40:10Z)
• Learning to Learn Kernels with Variational Random Features [118.09565227041844]
  メタラーニングフレームワークにランダムなフーリエ機能を持つカーネルを導入し、その強力な数ショット学習能力を活用する。 変分推論問題としてメタVRFの最適化を定式化する。 MetaVRFは、既存のメタ学習方法に比べて、はるかに優れた、少なくとも競争力のあるパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-06-11T18:05:29Z)

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。