論文の概要: A New Modeling to Feature Selection Based on the Fuzzy Rough Set Theory in Normal and Optimistic States on Hybrid Information Systems

• arxiv url: http://arxiv.org/abs/2603.08900v2
• Date: Wed, 11 Mar 2026 08:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 14:12:44.253678
• Title: A New Modeling to Feature Selection Based on the Fuzzy Rough Set Theory in Normal and Optimistic States on Hybrid Information Systems
• Title（参考訳）: ハイブリッド情報システムにおけるファジィラフセット理論に基づく特徴選択の新しいモデル化
• Authors: Mohammad Hossein Safarpour, Seyed Majid Alavi, Mohammad Izadikhah, Hossein Dibachi,
• Abstract要約: 本稿では,オブジェクト間の結合距離を算出する特徴選択モデルを提案する。 特徴選択問題を直接解決するのではなく、最適化問題に再構成する。 このモデルは、UCIリポジトリの標準データセットでテストされ、他のアルゴリズムと比較される。
• 参考スコア（独自算出の注目度）: 1.5749416770494706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Considering the high volume, wide variety, and rapid speed of data generation, investigating feature selection methods for big data presents various applications and advantages. By removing irrelevant and redundant features, feature selection reduces data dimensions, thereby facilitating optimal decision-making within decision systems. One of the key tools for feature selection in hybrid information systems is fuzzy rough set theory. However, this theory faces two significant challenges: First, obtaining fuzzy equivalence relations through intersection operations in high-dimensional spaces can be both time-consuming and memory-intensive. Additionally, this method may produce noisy data, complicating the feature selection process. The purpose and innovation of this paper are to address these issues. We proposed a new feature selection model that calculates the combined distance between objects and subsequently used this information to derive the fuzzy equivalence relation. Rather than directly solving the feature selection problem, this approach reformulates it into an optimization problem that can be tackled using appropriate meta-heuristic algorithms. We have named this new approach FSbuHD. The FSbuHD model operates in two modes - normal and optimistic - based on the selection of one of the two introduced fuzzy equivalence relations. The model is then tested on standard datasets from the UCI repository and compared with other algorithms. The results of this research demonstrate that FSbuHD is one of the most efficient and effective methods for feature selection when compared to previous methods and algorithms.
• Abstract（参考訳）: 大量・多種多様・高速なデータ生成を考慮し,ビッグデータの特徴選択手法を検討した結果,様々な応用と利点が示された。 無関係で冗長な特徴を取り除くことで、特徴選択はデータ次元を減らし、意思決定システム内での最適な意思決定を容易にする。 ハイブリッド情報システムにおける特徴選択の鍵となるツールの1つはファジィラフセット理論である。 しかし、この理論は2つの大きな課題に直面している: まず、高次元空間における交叉演算によるファジィ同値関係を得るには、時間とメモリ集約の両方を必要とする。 さらに、この方法では、特徴選択プロセスが複雑になるため、ノイズの多いデータを生成することができる。 本論文の目的は,これらの課題に対処することである。 本研究では,オブジェクト間の結合距離を計算し,ファジィ等価関係を導出する特徴選択モデルを提案する。 特徴選択問題を直接解くのではなく、適切なメタヒューリスティックアルゴリズムを用いて取り組める最適化問題に再構成する。 我々はこの新しいアプローチをFSbuHDと名付けた。 FSbuHDモデルは、2つの導入されたファジィ同値関係のうちの1つを選択することにより、通常と楽観の2つのモードで動作する。 その後、モデルはUCIリポジトリの標準データセットでテストされ、他のアルゴリズムと比較される。 本研究では,従来の手法やアルゴリズムと比較して,FSbuHDは特徴選択において最も効率的かつ効果的な手法の1つであることを示す。

関連論文リスト

• 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)
• Feature selection algorithm based on incremental mutual information and cockroach swarm optimization [12.297966427336124]
  インクリメンタルな相互情報に基づく改良型Swarm知的最適化法(IMIICSO)を提案する。 この方法は、グループアルゴリズムのグローバル検索をガイドするために、決定テーブルの削減知識を抽出する。 改良されたゴキブリ群最適化アルゴリズムによって選択された特徴部分集合の精度は、インクリメンタルな相互情報に基づいて、元のスワム知能最適化アルゴリズムと同等か、ほぼ同程度である。
  論文  参考訳（メタデータ） (2023-02-21T08:51:05Z)
• 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)
• A Self-adaptive Weighted Differential Evolution Approach for Large-scale Feature Selection [23.33085252518155]
  自己適応機構に基づく新しい重み付き微分進化アルゴリズムSaWDEを提案する。 本稿では,12の大規模データセットに対するアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2021-10-27T04:46:16Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Joint Adaptive Graph and Structured Sparsity Regularization for Unsupervised Feature Selection [6.41804410246642]
  本稿では,共同適応グラフと構造付き空間正規化unsupervised feature selection (JASFS)法を提案する。 最適な機能のサブセットがグループで選択され、選択された機能の数が自動的に決定される。 8つのベンチマーク実験の結果,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2020-10-09T08:17:04Z)
• Robust Multi-class Feature Selection via $l_{2,0}$-Norm Regularization Minimization [6.41804410246642]
  特徴選択は、データマイニングと機械学習において重要な計算処理である。 本稿では,複数クラスの特徴選択における最小二乗問題の解法として,ホモシーハードしきい値(HIHT)に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-08T02:06:06Z)
• Feature Robust Optimal Transport for High-dimensional Data [125.04654605998618]
  本研究では,高次元データに対する特徴量ロバスト最適輸送(FROT)を提案する。 実世界の意味対応データセットにおいて,FROTアルゴリズムが最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-05-25T14:07:16Z)
• 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)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。