論文の概要: Unsupervised Feature Selection Through Group Discovery

• arxiv url: http://arxiv.org/abs/2511.09166v1
• Date: Thu, 13 Nov 2025 01:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.441678
• Title: Unsupervised Feature Selection Through Group Discovery
• Title（参考訳）: グループ発見による教師なし特徴選択
• Authors: Shira Lifshitz, Ofir Lindenbaum, Gal Mishne, Ron Meir, Hadas Benisty,
• Abstract要約: GroupFSは、潜在機能グループを共同で発見し、最も情報性の高いグループを選択するエンドツーエンドフレームワークである。 GroupFSはクラスタリングにおいて最先端の教師なしFSを一貫して上回り、意味のあるパターンと整合した機能のグループを選択する。
• 参考スコア（独自算出の注目度）: 25.774724891374774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised feature selection (FS) is essential for high-dimensional learning tasks where labels are not available. It helps reduce noise, improve generalization, and enhance interpretability. However, most existing unsupervised FS methods evaluate features in isolation, even though informative signals often emerge from groups of related features. For example, adjacent pixels, functionally connected brain regions, or correlated financial indicators tend to act together, making independent evaluation suboptimal. Although some methods attempt to capture group structure, they typically rely on predefined partitions or label supervision, limiting their applicability. We propose GroupFS, an end-to-end, fully differentiable framework that jointly discovers latent feature groups and selects the most informative groups among them, without relying on fixed a priori groups or label supervision. GroupFS enforces Laplacian smoothness on both feature and sample graphs and applies a group sparsity regularizer to learn a compact, structured representation. Across nine benchmarks spanning images, tabular data, and biological datasets, GroupFS consistently outperforms state-of-the-art unsupervised FS in clustering and selects groups of features that align with meaningful patterns.
• Abstract（参考訳）: 非教師付き特徴選択(FS)はラベルが利用できない高次元学習タスクに不可欠である。 ノイズの低減、一般化の改善、解釈可能性の向上に役立ちます。 しかし、既存の非教師なしFS手法は、情報的信号が関連する特徴群からしばしば現れるにもかかわらず、特徴を分離して評価する。 例えば、隣接するピクセル、機能的に連結された脳領域、あるいは相関した金融指標が一緒に機能する傾向があり、独立的な評価が最適である。 グループ構造をキャプチャしようとするメソッドもあるが、通常は事前に定義されたパーティションやラベルの監督に依存し、適用性を制限する。 提案するグループFSは,有意な特徴群を共同で発見し,その中の最も情報性の高いグループを選択する,エンドツーエンドで完全に差別化可能なフレームワークである。 GroupFSは特徴グラフとサンプルグラフの両方にラプラシアン滑らかさを適用し、コンパクトで構造化された表現を学ぶためにグループ空間正規化器を適用している。 イメージ、表データ、生物学的データセットにまたがる9つのベンチマークで、GroupFSはクラスタリングにおいて、最先端の教師なしFSよりも一貫して優れており、意味のあるパターンと整合した機能のグループを選択する。

関連論文リスト

• GroupCoOp: Group-robust Fine-tuning via Group Prompt Learning [57.888537648437115]
  Group Context Optimization (GroupCoOp) は、単純で効果的な微調整アルゴリズムである。 微調整視覚言語モデル(VLM)の群ロバスト性を高める GroupCoOpは、5つのCLIPアーキテクチャにわたる5つのベンチマークで最高の結果を得た。
  論文  参考訳（メタデータ） (2025-09-28T09:54:30Z)
• Dynamic Group Detection using VLM-augmented Temporal Groupness Graph [15.43013474885794]
  本稿では,ビデオ中の動的ヒューマングループ検出を提案する。 複雑なグループを検出するためには、グループ内のメンバーの局所的な外観の特徴だけでなく、シーンのグローバルな文脈も重要である。 提案手法は,公開データセット上での最先端グループ検出手法より優れている。
  論文  参考訳（メタデータ） (2025-09-05T02:37:01Z)
• Subgroup Performance Analysis in Hidden Stratifications [4.525676373095224]
  機械学習モデルは、患者グループ間での大幅なパフォーマンス格差に悩まされる可能性がある。 分類ラベルやメタデータにアクセスすることなく、簡易なサブグループ発見手法を提案する。 医療における信頼性の高いAIの総合的なパフォーマンス検証とモニタリングのための重要なツールとして,サブグループ発見が有効である,という最初の説得力のある証拠を提供する。
  論文  参考訳（メタデータ） (2025-03-13T13:57:24Z)
• OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
  Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。 上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。 我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
  論文  参考訳（メタデータ） (2024-03-11T09:46:41Z)
• Leveraging Structure for Improved Classification of Grouped Biased Data [8.121462458089143]
  データポイントが自然にグループ化されるアプリケーションに対する半教師付きバイナリ分類を検討する。 我々は、この構造を明示的に活用し、最適、グループ対応、確率出力の分類器を学習する半教師付きアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-12-07T15:18:21Z)
• Unsupervised Hierarchical Semantic Segmentation with Multiview Cosegmentation and Clustering Transformers [47.45830503277631]
  グループ化は自然に粒度のレベルを持ち、教師なしのセグメンテーションにおいて曖昧さを生み出す。 階層的セグメンテーショングループ(HSG)と呼ばれる,データ駆動型非教師付き階層的セグメンテーション手法を初めて提供する。
  論文  参考訳（メタデータ） (2022-04-25T04:40:46Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)

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。