Fugu-MT 論文翻訳(概要): Unsupervised Feature Selection via Robust Autoencoder and Adaptive Graph Learning

論文の概要: Unsupervised Feature Selection via Robust Autoencoder and Adaptive Graph Learning

arxiv url: http://arxiv.org/abs/2512.18720v1
Date: Sun, 21 Dec 2025 12:42:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-23 18:54:32.471509
Title: Unsupervised Feature Selection via Robust Autoencoder and Adaptive Graph Learning
Title（参考訳）: ロバストオートエンコーダと適応グラフ学習による教師なし特徴選択
Authors: Feng Yu, MD Saifur Rahman Mazumder, Ying Su, Oscar Contreras Velasco,
Abstract要約: 教師なし機能選択(UFS)は、データを同時にクラスタ化し、最も識別しやすい特徴を特定することを目的としている。本稿では, ディープオートエンコーダを利用して非線形特徴表現を学習するロバスト・オートエンコーダに基づくunsupervised Feature Selection (RAEUFS)モデルを提案する。提案手法は, クリーンかつ外部に汚染されたデータ設定において, 最先端のUFSアプローチより優れる。
参考スコア（独自算出の注目度）: 4.371255245299254
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Effective feature selection is essential for high-dimensional data analysis and machine learning. Unsupervised feature selection (UFS) aims to simultaneously cluster data and identify the most discriminative features. Most existing UFS methods linearly project features into a pseudo-label space for clustering, but they suffer from two critical limitations: (1) an oversimplified linear mapping that fails to capture complex feature relationships, and (2) an assumption of uniform cluster distributions, ignoring outliers prevalent in real-world data. To address these issues, we propose the Robust Autoencoder-based Unsupervised Feature Selection (RAEUFS) model, which leverages a deep autoencoder to learn nonlinear feature representations while inherently improving robustness to outliers. We further develop an efficient optimization algorithm for RAEUFS. Extensive experiments demonstrate that our method outperforms state-of-the-art UFS approaches in both clean and outlier-contaminated data settings.
Abstract（参考訳）: 効率的な特徴選択は、高次元データ分析と機械学習に不可欠である。教師なし機能選択(UFS)は、データを同時にクラスタ化し、最も識別しやすい特徴を特定することを目的としている。既存のUFS手法の多くは、機能をクラスタリングのための擬似ラベル空間に投影するが、それらは(1)複雑な特徴関係を捉えるのに失敗する過度に単純化された線形マッピング、(2)クラスタの均一な分布の仮定、そして、実世界のデータでよく見られる外れ値を無視した2つの限界に悩まされる。これらの問題に対処するために, ディープ・オートエンコーダを利用して非線形特徴表現を学習し, アウトレーヤへのロバスト性を本質的に改善するロバスト・オートエンコーダに基づくunsupervised Feature Selection (RAEUFS) モデルを提案する。さらに、RAEUFSの効率的な最適化アルゴリズムを開発した。大規模な実験により,本手法は,クリーンかつ外部汚染されたデータ設定において,最先端のUFSアプローチよりも優れていることが示された。

関連論文リスト

Bi-Level Unsupervised Feature Selection [11.383408944117804]
本稿では,クラスタリングレベルと特徴レベルを含む2レベル非教師付き特徴選択(BLUFS)手法を提案する。クラスタリングレベルでは、スペクトルクラスタリングを用いてデータ構造を表現する擬似ラベルを生成し、連続線形回帰モデルを用いてプロジェクション行列を学習する。機能レベルでは、$ell_2,0$-norm制約がプロジェクションマトリックスに課され、より効果的に機能を選択する。
論文参考訳（メタデータ） (2025-05-26T22:52:31Z)
K-means Derived Unsupervised Feature Selection using Improved ADMM [25.145984747164256]
本稿では,K-means Derived Unsupervised Feature Selection (K-means UFS) という新しい手法を提案する。既存のスペクトル分析に基づく非教師付き特徴選択法とは異なり、K平均の目的を用いて特徴を選択する。実際のデータセットでの実験では、クラスタリングの機能の選択において、我々のK平均UFSはベースラインよりも効果的であることが示されています。
論文参考訳（メタデータ） (2024-11-19T18:05:02Z)
End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
論文参考訳（メタデータ） (2024-01-11T15:22:55Z)
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)
Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。私たちの観察は直感的である。私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
論文参考訳（メタデータ） (2022-09-30T17:15:19Z)
A-SFS: Semi-supervised Feature Selection based on Multi-task Self-supervision [1.3190581566723918]
機能選択問題に深層学習に基づく自己教師機構を導入する。バッチベースの特徴選択パターンに従って特徴量を生成するために、バッチアテンション機構が設計されている。実験の結果,ほとんどのデータセットにおいてA-SFSが最も精度が高いことがわかった。
論文参考訳（メタデータ） (2022-07-19T04:22:27Z)
Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
論文参考訳（メタデータ） (2021-11-10T06:53:03Z)
Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文参考訳（メタデータ） (2020-12-29T04:08:38Z)
Adaptive Graph-based Generalized Regression Model for Unsupervised Feature Selection [11.214334712819396]
非相関的かつ識別的特徴の選択は、教師なしの機能選択の重要な問題である。非相関制約と $ell_2,1$-norm 正規化によって課される新しい一般化回帰モデルを提案する。それは同時に同じ近所に属するこれらのデータポイントの分散を減らすこと無相関および差別的な特徴を選ぶことができます。
論文参考訳（メタデータ） (2020-12-27T09:07:26Z)
Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2020-08-23T13:16:34Z)
Robust Self-Supervised Convolutional Neural Network for Subspace Clustering and Classification [0.10152838128195464]
本稿では,自己管理型畳み込みサブスペースクラスタリングネットワーク(S2$ConvSCN)のロバストな定式化を提案する。真の教師なしのトレーニング環境では、Robust $S2$ConvSCNは、4つのよく知られたデータセットで見られるデータと見えないデータの両方に対して、ベースラインバージョンをかなり上回っている。
論文参考訳（メタデータ） (2020-04-03T16:07:58Z)

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。