論文の概要: MOELIGA: a multi-objective evolutionary approach for feature selection with local improvement
- arxiv url: http://arxiv.org/abs/2603.20934v1
- Date: Sat, 21 Mar 2026 20:27:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.158962
- Title: MOELIGA: a multi-objective evolutionary approach for feature selection with local improvement
- Title（参考訳）: MOELIGA:局所的改善を伴う特徴選択のための多目的進化的アプローチ
- Authors: Leandro Vignolo, Matias Gerard,
- Abstract要約: 14の多様なデータセットに対する実験的評価は、MOELIGAがより優れた、または同等の分類性能を持つより小さな特徴サブセットを識別する能力を示している。
これらの結果は,MOELIGAが精度-次元性トレードオフを効果的に解決し,多目的特徴選択のための頑健かつ適応的なアプローチを提供することを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Selecting the most relevant or informative features is a key issue in actual machine learning problems. Since an exhaustive search is not feasible even for a moderate number of features, an intelligent search strategy must be employed for finding an optimal subset, which implies considering how features interact with each other in promoting class separability. Balancing feature subset size and classification accuracy constitutes a multi-objective optimization challenge. Here we propose MOELIGA, a multi-objective genetic algorithm incorporating an evolutionary local improvement strategy that evolves subordinate populations to refine feature subsets. MOELIGA employs a crowding-based fitness sharing mechanism and a sigmoid transformation to enhance diversity and guide compactness, alongside a geometry-based objective promoting classifier independence. Experimental evaluation on 14 diverse datasets demonstrates MOELIGA's ability to identify smaller feature subsets with superior or comparable classification performance relative to 11 state-of-the-art methods. These findings suggest MOELIGA effectively addresses the accuracy-dimensionality trade-off, offering a robust and adaptable approach for multi-objective feature selection in complex, high-dimensional scenarios.
- Abstract（参考訳）: 最も関連性のある機能や情報のある機能を選択することは、実際の機械学習問題において重要な問題である。
適度な数の機能であっても、徹底的な探索は実現不可能であるため、最適なサブセットを見つけるためにはインテリジェントな探索戦略を使わなければならない。
特徴部分集合のサイズと分類精度のバランスは、多目的最適化の課題を構成する。
本稿では, 遺伝的アルゴリズムMOELIGAを提案する。MOELIGAは, 下位集団を進化させて特徴部分集合を洗練させる進化的局所改善戦略を取り入れた多目的遺伝的アルゴリズムである。
MOELIGAは、群集に基づくフィットネス共有機構とシグモイド変換を用いて、多様性を高め、コンパクト性を導く。
14の多様なデータセットに対する実験的評価は、MOELIGAが11の最先端手法と比較して、より優れた、あるいは同等の分類性能を持つより小さな特徴サブセットを識別する能力を示している。
これらの結果は,MOELIGAが精度-次元性トレードオフを効果的に解決し,複雑な高次元シナリオにおける多目的特徴選択に頑健で適応可能なアプローチを提供することを示唆している。
関連論文リスト
- MO-ELA: Rigorously Expanding Exploratory Landscape Features for Automated Algorithm Selection in Continuous Multi-Objective Optimisation [1.2832858109291982]
本稿では,ボックス制約付き連続最適化問題に対する新しい相補的特徴セット(MO-ELA)を提案する。
これらの特徴は、決定空間と目的空間の両方を考慮したランダムな点のサンプルに基づいている。
十分に確立された多目的ベンチマークで行われたAAS研究は、提案した特徴がアルゴリズム性能の区別に有効であることを示した。
論文 参考訳（メタデータ） (2026-01-24T12:30:42Z) - A High-Dimensional Feature Selection Algorithm Based on Multiobjective Differential Evolution [6.912442653561439]
多目的特徴選択は、最も差別的な特徴部分集合を決定する。
提案手法は,最先端の多目的特徴選択手法よりも優れている。
論文 参考訳（メタデータ） (2025-05-09T02:02:49Z) - Permutation-based multi-objective evolutionary feature selection for high-dimensional data [43.18726655647964]
本稿では,高次元データを対象とした新しい特徴選択手法を提案する。
提案手法は多目的進化アルゴリズムを用いて候補特徴部分集合を探索する。
提案手法の有効性を,24個の高次元データセットを用いて検証した。
論文 参考訳（メタデータ） (2025-01-24T08:11:28Z) - 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) - Enhancing Neural Subset Selection: Integrating Background Information into Set Representations [53.15923939406772]
対象値が入力集合とサブセットの両方に条件付けされている場合、スーパーセットのテクスティ不変な統計量を関心のサブセットに組み込むことが不可欠であることを示す。
これにより、出力値がサブセットとその対応するスーパーセットの置換に不変であることを保証する。
論文 参考訳（メタデータ） (2024-02-05T16:09:35Z) - Exploiting Modality-Specific Features For Multi-Modal Manipulation
Detection And Grounding [54.49214267905562]
マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。
本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。
本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
論文 参考訳（メタデータ） (2023-09-22T06:55:41Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - A metaheuristic multi-objective interaction-aware feature selection
method [5.28539620288341]
本稿では,いくつかの利点を有する新しい多目的特徴選択法を提案する。
高度な確率スキームを用いて特徴間の相互作用を考察する。
提案手法は,提案した確率スキームを用いて,より有望な子孫を生成する。
論文 参考訳（メタデータ） (2022-11-10T08:56:48Z) - Multivariate feature ranking of gene expression data [62.997667081978825]
ペアワイズ相関とペアワイズ整合性に基づく2つの新しい多変量特徴ランキング手法を提案する。
提案手法は, クラスタリング変動, チ・スクエアド, 相関, 情報ゲイン, ReliefF および Significance の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） (2021-11-03T17:19:53Z)
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。