論文の概要: Online Sparse Feature Selection in Data Streams via Differential Evolution

• arxiv url: http://arxiv.org/abs/2511.19555v1
• Date: Mon, 24 Nov 2025 14:19:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.093786
• Title: Online Sparse Feature Selection in Data Streams via Differential Evolution
• Title（参考訳）: 微分進化によるデータストリームのオンラインスパース特徴選択
• Authors: Ruiyang Xu,
• Abstract要約: 本稿では,データストリームにおけるSparse Feature Selection (ODESFS) のオンライン微分進化について紹介する。 6つの実世界のデータセットで実施された実験は、ODESFSが最先端のOSFSとOS2FSメソッドを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 2.03725086642376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The processing of high-dimensional streaming data commonly utilizes online streaming feature selection (OSFS) techniques. However, practical implementations often face challenges with data incompleteness due to equipment failures and technical constraints. Online Sparse Streaming Feature Selection (OS2FS) tackles this issue through latent factor analysis-based missing data imputation. Despite this advancement, existing OS2FS approaches exhibit substantial limitations in feature evaluation, resulting in performance deterioration. To address these shortcomings, this paper introduces a novel Online Differential Evolution for Sparse Feature Selection (ODESFS) in data streams, incorporating two key innovations: (1) missing value imputation using a latent factor analysis model, and (2) feature importance evaluation through differential evolution. Comprehensive experiments conducted on six real-world datasets demonstrate that ODESFS consistently outperforms state-of-the-art OSFS and OS2FS methods by selecting optimal feature subsets and achieving superior accuracy.
• Abstract（参考訳）: 高次元ストリーミングデータの処理は、一般的にオンラインストリーミング特徴選択(OSFS)技術を用いる。 しかし、実践的な実装は、機器の故障や技術的な制約のためにデータ不完全性に直面することが多い。 オンラインスパースストリーミング機能選択(OS2FS)は、潜在因子分析に基づく欠落データ計算を通じてこの問題に対処する。 この進歩にもかかわらず、既存のOS2FSアプローチでは機能評価にかなりの制限があり、性能が劣化する。 これらの欠点に対処するために,本論文では,(1)潜在因子分析モデルを用いた値計算の欠如,(2)差分進化による特徴重要度評価という2つの重要なイノベーションを取り入れた,データストリームにおける新しい分散特徴選択のためのオンライン微分進化(ODESFS)を紹介する。 6つの実世界のデータセットで実施された総合的な実験により、ODESFSは最適な特徴サブセットを選択し、より優れた精度を達成することによって、最先端のOSFSとOS2FSメソッドを一貫して上回ることを示した。

関連論文リスト

• Particle swarm optimization for online sparse streaming feature selection under uncertainty [2.03725086642376]
  高次元ストリーミングデータを含む実世界のアプリケーションでは、オンラインストリーミング機能選択(OSFS)が広く採用されている。 本研究は、パーティクルスワム最適化(PSO)により強化されたPOS2FS-不確実性を考慮したオンラインスパースストリーミング特徴選択フレームワークを提案する。 1)PSOによる特徴ラベル関係の不確実性低減,2)教師付き学習における特徴ファジネス管理のための3方向決定理論の導入。
  論文  参考訳（メタデータ） (2025-08-24T07:56:41Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Improving Sampling Methods for Fine-tuning SentenceBERT in Text Streams [49.3179290313959]
  本研究では,選択的な微調整言語モデルの設計した7つのテキストサンプリング手法の有効性について検討した。 これらの手法がSBERTモデルの微調整に与える影響を, 4つの異なる損失関数を用いて正確に評価する。 その結果,テキストストリームの分類にはソフトマックスの損失とバッチ・オール・トリプレットの損失が特に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-18T23:41:52Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Online Sparse Streaming Feature Selection Using Adapted Classification [5.587715545506331]
  既存の方法は、データを欠くことなく、特徴を関連性または無関係に分割する。 適応型分類(OS2FS-AC)に基づくオンラインスパースストリーミングの特徴選択を提案する。 10個の実世界のデータセットの実験結果から、OS2FS-ACは最先端のアルゴリズムよりも性能が良いことが示された。
  論文  参考訳（メタデータ） (2023-02-25T03:03:53Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• An Online Sparse Streaming Feature Selection Algorithm [14.414813893419506]
  我々は不確実性のあるオンラインスパースストリーミング特徴選択アルゴリズム(OS2FSU)を提案する。 OS2FSUは,1)特徴選択の導出前の疎ストリーミング特徴の欠落を事前に推定するために潜時因子分析を用い,2)特徴選択を行う際の推定ストリーミング特徴とラベルの不確かさを軽減するためにファジィ論理と周辺粗さ集合を用いる。 結果、OS2FSUはOSFSでデータ不足が発生した場合、競合より優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T16:08:22Z)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• Feature Selection Based on Sparse Neural Network Layer with Normalizing Constraints [0.0]
  本論文では,2つの制約を導入したニューラルネットワークに基づく特徴選択手法を提案する。 その結果,Sparse Neural Network Layer with Normalizing Constraints (SNEL-FS) に基づく特徴選択は,従来の FS 方式に比べて重要な特徴の選択が可能であり,優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T14:14:33Z)

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。