論文の概要: HeFS: Helper-Enhanced Feature Selection via Pareto-Optimized Genetic Search

• arxiv url: http://arxiv.org/abs/2510.18575v1
• Date: Tue, 21 Oct 2025 12:30:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.520819
• Title: HeFS: Helper-Enhanced Feature Selection via Pareto-Optimized Genetic Search
• Title（参考訳）: HeFS:Pareto-Optimized Genetic Searchによるヘルパー機能選択
• Authors: Yusi Fan, Tian Wang, Zhiying Yan, Chang Liu, Qiong Zhou, Qi Lu, Zhehao Guo, Ziqi Deng, Wenyu Zhu, Ruochi Zhang, Fengfeng Zhou,
• Abstract要約: HeFS(Helper-Enhanced Feature Selection)フレームワークを導入し、既存のアルゴリズムによって生成された特徴サブセットを洗練する。 HeFSは、元のサブセットを補完し、分類性能を改善する機能であるヘルパーセットを特定するために、残りの機能空間を体系的に検索する。 18のベンチマークデータセットでの実験では、HFSは一貫して情報のある機能を識別し、最先端のメソッドよりも優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 10.751560953850925
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Feature selection is a combinatorial optimization problem that is NP-hard. Conventional approaches often employ heuristic or greedy strategies, which are prone to premature convergence and may fail to capture subtle yet informative features. This limitation becomes especially critical in high-dimensional datasets, where complex and interdependent feature relationships prevail. We introduce the HeFS (Helper-Enhanced Feature Selection) framework to refine feature subsets produced by existing algorithms. HeFS systematically searches the residual feature space to identify a Helper Set - features that complement the original subset and improve classification performance. The approach employs a biased initialization scheme and a ratio-guided mutation mechanism within a genetic algorithm, coupled with Pareto-based multi-objective optimization to jointly maximize predictive accuracy and feature complementarity. Experiments on 18 benchmark datasets demonstrate that HeFS consistently identifies overlooked yet informative features and achieves superior performance over state-of-the-art methods, including in challenging domains such as gastric cancer classification, drug toxicity prediction, and computer science applications. The code and datasets are available at https://healthinformaticslab.org/supp/.
• Abstract（参考訳）: 特徴選択はNPハードな組合せ最適化問題である。 従来のアプローチでは、しばしばヒューリスティックな戦略や欲求的な戦略を採用しており、それは早めに収束する傾向があり、微妙で情報的な特徴を捉えることができない。 この制限は、複雑で相互依存的な特徴関係が一般的である高次元データセットにおいて特に重要となる。 HeFS(Helper-Enhanced Feature Selection)フレームワークを導入し、既存のアルゴリズムによって生成された特徴サブセットを洗練する。 HeFSは、元のサブセットを補完し、分類性能を改善する機能であるヘルパーセットを特定するために、残りの機能空間を体系的に検索する。 この手法は遺伝的アルゴリズムにおいてバイアス付き初期化スキームと比誘導突然変異機構を採用し、パレートベースの多目的最適化と組み合わせて予測精度と特徴相補性を共同で推定する。 18のベンチマークデータセットの実験では、HeFSは見過ごされているが情報的な特徴を一貫して識別し、胃癌の分類、薬物毒性予測、コンピュータサイエンスの応用といった挑戦的な領域を含む最先端の手法よりも優れたパフォーマンスを達成することが示されている。 コードとデータセットはhttps://healthinformaticslab.org/supp/.comで公開されている。

関連論文リスト

• Representation Quantization for Collaborative Filtering Augmentation [49.14087936092634]
  本稿では,新しい2段階協調推薦アルゴリズムDQRecを提案する。 相互作用配列と属性から共同で振舞い特性を抽出することで特徴と均一な結合を増強する。 これらのセマンティックIDパターンを機能拡張とリンク拡張を通じてレコメンデーションプロセスに統合することにより、システムは潜伏したユーザと明示的なアイテムの両方の機能を強化します。
  論文  参考訳（メタデータ） (2025-08-15T04:00:50Z)
• 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)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• 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)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Fast Feature Selection with Fairness Constraints [49.142308856826396]
  モデル構築における最適特徴の選択に関する基礎的問題について検討する。 この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。 適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。 提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
  論文  参考訳（メタデータ） (2022-02-28T12:26:47Z)
• An Evolutionary Correlation-aware Feature Selection Method for Classification Problems [3.2550305883611244]
  本稿では,3つの目標を達成するために分布推定アルゴリズムを提案する。 第一に、EDAの拡張として、適合度関数に基づいて競合する各イテレーションにおいて、提案手法は2つの個人しか生成しない。 第二に、各イテレーションにおける個人の機能数を決定するためのガイド技術を提供する。 本論文の主な貢献として,各特徴の重要さだけでなく,特徴間の相互作用についても考察できる。
  論文  参考訳（メタデータ） (2021-10-16T20:20:43Z)
• Top-$k$ Regularization for Supervised Feature Selection [11.927046591097623]
  教師付き特徴選択のための新しい,シンプルで効果的な正規化手法である Top-k$ regularization を導入する。 上位$kの正規化は、教師付き特徴選択に有効で安定であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T01:12:47Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• A Novel Community Detection Based Genetic Algorithm for Feature Selection [3.8848561367220276]
  著者らは3つのステップで機能するコミュニティ検出に基づく遺伝的アルゴリズムを提案する。 提案手法の性能から,9つのベンチマーク分類問題を解析した。
  論文  参考訳（メタデータ） (2020-08-08T15:39:30Z)
• IVFS: Simple and Efficient Feature Selection for High Dimensional Topology Preservation [33.424663018395684]
  本稿では,サンプル類似性保存を向上する簡易かつ効果的な特徴選択アルゴリズムを提案する。 提案アルゴリズムは、全データの対距離と位相パターンを適切に保存することができる。
  論文  参考訳（メタデータ） (2020-04-02T23:05:00Z)

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。