論文の概要: S$^2$FS: Spatially-Aware Separability-Driven Feature Selection in Fuzzy Decision Systems

• arxiv url: http://arxiv.org/abs/2509.25841v1
• Date: Tue, 30 Sep 2025 06:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.453519
• Title: S$^2$FS: Spatially-Aware Separability-Driven Feature Selection in Fuzzy Decision Systems
• Title（参考訳）: S$2$FS:ファジィ決定系における空間的分離性を考慮した特徴選択
• Authors: Suping Xu, Chuyi Dai, Ye Liu, Lin Shang, Xibei Yang, Witold Pedrycz,
• Abstract要約: ファジィ決定システムのための空間認識分離性駆動型特徴選択(S$2$FS)を提案する。 S$2$FSは、クラス内コンパクト性とクラス間分離を考慮した空間的に認識された分離性基準によって導かれる。 10の実世界のデータセットの実験では、S$2$FSは8つの最先端の機能選択アルゴリズムを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 45.05989432332541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection is crucial for fuzzy decision systems (FDSs), as it identifies informative features and eliminates rule redundancy, thereby enhancing predictive performance and interpretability. Most existing methods either fail to directly align evaluation criteria with learning performance or rely solely on non-directional Euclidean distances to capture relationships among decision classes, which limits their ability to clarify decision boundaries. However, the spatial distribution of instances has a potential impact on the clarity of such boundaries. Motivated by this, we propose Spatially-aware Separability-driven Feature Selection (S$^2$FS), a novel framework for FDSs guided by a spatially-aware separability criterion. This criterion jointly considers within-class compactness and between-class separation by integrating scalar-distances with spatial directional information, providing a more comprehensive characterization of class structures. S$^2$FS employs a forward greedy strategy to iteratively select the most discriminative features. Extensive experiments on ten real-world datasets demonstrate that S$^2$FS consistently outperforms eight state-of-the-art feature selection algorithms in both classification accuracy and clustering performance, while feature visualizations further confirm the interpretability of the selected features.
• Abstract（参考訳）: 情報的特徴を特定し、規則の冗長性を排除し、予測性能と解釈可能性を向上させるため、ファジィ決定システム(FDS)には特徴選択が不可欠である。 既存のほとんどの手法は、評価基準を学習性能と直接整合させることに失敗するか、非指向的なユークリッド距離にのみ依存して決定クラス間の関係を捉え、決定境界を明確にする能力を制限するかのいずれかである。 しかし、インスタンスの空間分布は、そのような境界の明確さに潜在的に影響を及ぼす。 そこで本研究では,空間認識の分離性基準によって導かれるFDSのための新しいフレームワークである空間認識分離性駆動型特徴選択(S$^2$FS)を提案する。 この基準は、スカラー距離と空間方向情報を統合することで、クラス内コンパクト性とクラス間分離を共同で検討し、クラス構造のより包括的な特徴付けを提供する。 S$2$FSは、最も差別的な特徴を反復的に選択するために前方の欲求戦略を採用している。 10個の実世界のデータセットに対する大規模な実験により、S$^2$FSは、分類精度とクラスタリング性能の両方において8つの最先端特徴選択アルゴリズムを一貫して上回り、特徴視覚化は選択された特徴の解釈可能性をさらに確認する。

関連論文リスト

• Dynamic Feature Selection based on Rule-based Learning for Explainable Classification with Uncertainty Quantification [0.7874708385247353]
  動的特徴選択(DFS)は、従来の静的特徴選択に代わる魅力的な選択肢を提供する。 DFSはサンプル毎に機能選択をカスタマイズし、各ケースの意思決定プロセスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-04T16:21:43Z)
• CKAA: Cross-subspace Knowledge Alignment and Aggregation for Robust Continual Learning [80.18781219542016]
  継続的学習(CL)は、シーケンシャルなタスクストリームから継続的に学習するAIモデルに権限を与える。 近年,パラメータ効率のよい微調整(PEFT)によるCL法が注目されている。 ミスリード型タスクIDに対するロバスト性を高めるために,クロスサブスペース・ナレッジアライメント・アグリゲーション(CKAA)を提案する。
  論文  参考訳（メタデータ） (2025-07-13T03:11:35Z)
• Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
  この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。 特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:51Z)
• Learning Part Knowledge to Facilitate Category Understanding for Fine-Grained Generalized Category Discovery [10.98097145569408]
  Generalized Category Discovery (GCD)は、目に見えないカテゴリと新しいカテゴリの両方を含むラベルのないデータを分類することを目的としている。 本稿では,細粒度GCDに対処するための部分知識の導入を提案する。
  論文  参考訳（メタデータ） (2025-03-21T01:37:51Z)
• Cascaded two-stage feature clustering and selection via separability and consistency in fuzzy decision systems [8.048511956662336]
  特徴選択は、計算複雑性を減らし、モデルパフォーマンスを改善し、オーバーフィッティングのリスクを軽減することができるため、機械学習において重要なテクニックである。 本稿では,ファジィ決定システムのための2段階特徴クラスタリングと選択アルゴリズムを提案する。 提案アルゴリズムの有効性を18の公開データセットと現実世界の統合失調症データセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-07-22T02:44:32Z)
• Feature Selection via Maximizing Distances between Class Conditional Distributions [9.596923373834093]
  積分確率測定(IPMs)により測定されたクラス条件分布間の距離に基づく新しい特徴選択フレームワークを提案する。 本フレームワークは, 教師付き分類のための分布感覚における特徴の識別的情報を直接探索する。 実験により,本フレームワークは,摂動に対する分類精度とロバスト性の観点から,最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-01-15T06:10:10Z)
• Semantic Feature Integration network for Fine-grained Visual Classification [5.182627302449368]
  本稿では,これらの課題に対処するためにセマンティック・フィーチャー・インテグレーション・ネットワーク(SFI-Net)を提案する。 不要な特徴を排除し、識別的特徴間の意味関係を再構築することにより、SFI-Netは満足な性能を実現した。
  論文  参考訳（メタデータ） (2023-02-13T07:32:25Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)

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。