論文の概要: Hypernetworks for Dynamic Feature Selection

• arxiv url: http://arxiv.org/abs/2605.12278v1
• Date: Tue, 12 May 2026 15:37:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.973929
• Title: Hypernetworks for Dynamic Feature Selection
• Title（参考訳）: 動的特徴選択のためのHypernetworks
• Authors: Javier Fumanal-Idocin, Raquel Fernandez-Peralta, Javier Andreu-Perez,
• Abstract要約: 動的特徴選択(DFS)は、予算制約の下で個々のサンプルに対して順次機能を取得する機械学習フレームワークである。 本稿では,既存のDFS手法の構造的制約について検討し,最適解を求める。 要求に応じてサブセット固有のパラメータを生成するハイパーネットワークベースのDFSアプローチである textscHyper-DFS を提案する。
• 参考スコア（独自算出の注目度）: 2.564905016909138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic feature selection (DFS) is a machine learning framework in which features are acquired sequentially for individual samples under budget constraints. The exponential growth in the number of possible feature acquisition paths forces a DFS model to balance fitting specific scenarios against maintaining general performance, even when the feature space is moderate in size. In this paper, we study the structural limitations of existing DFS approaches to achieve an optimal solution. Then, we propose \textsc{Hyper-DFS}, a hypernetwork-based DFS approach that generates feature subset-specific classifier parameters on demand. We show that the use of hypernetworks compared to mask-embedding methods results in a smaller structural complexity bound. We also use a Set Transformer encoding to create a smooth conditioning space for the hypernetwork, so that functionally similar tasks are also geometrically close. In our benchmarks, \textsc{Hyper-DFS} outperforms all state-of-the-art approaches on synthetic and real-life tabular data. It is also competitive or superior across all image datasets tested, and shows substantially stronger zero-shot generalisation to feature subsets never seen during training than existing DFS approaches.
• Abstract（参考訳）: 動的特徴選択(DFS)は、予算制約の下で個々のサンプルに対して順次機能を取得する機械学習フレームワークである。 可能性のある特徴取得パスの数が指数関数的に増加することで、DFSモデルは、機能空間が適度なサイズであっても、一般的な性能を維持するために特定のシナリオに適合するバランスをとることを余儀なくされる。 本稿では,既存のDFS手法の構造的制約について検討し,最適解を求める。 そこで我々は,要求に応じて機能サブセット固有の分類パラメータを生成するハイパーネットワークベースのDFSアプローチである \textsc{Hyper-DFS} を提案する。 マスク埋め込み法と比較して,ハイパーネットワークの利用は構造的複雑性が小さくなることを示す。 また,ハイパーネットワークのためのスムーズな条件空間を作成するために,Set Transformerエンコーディングを用い,機能的に類似したタスクが幾何学的に近いようにした。 我々のベンチマークでは、合成および実生活の表型データに対する最先端のアプローチを全て上回っている。 また、テスト対象のすべてのイメージデータセットに対して競争力や優位性も備えており、既存のDFSアプローチよりもトレーニング中に見られないサブセットを特徴付けるため、ゼロショットの一般化が大幅に強化されている。

関連論文リスト

• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• UDFS: Lightweight Representation-Driven Robust Network Traffic Classification [6.702683003854296]
  textbfUDFSは、トレース全体を2次元のシーケンスに圧縮する表現である。 textbfUDFSは、粗い粒度ときめ細かいデータセットにおいて、優れた分類性能と堅牢性を達成する。
  論文  参考訳（メタデータ） (2025-09-14T08:27:20Z)
• HyperSORT: Self-Organising Robust Training with hyper-networks [1.1327019820428537]
  HyperSORTは、イメージとアノテーションのばらつきの両方を表す潜在ベクトルからUNetsのパラメータを予測するハイパーネットワークを使用するフレームワークである。 2つの腹部CTパブリックデータセットを用いて本法の有効性を検証した。 潜在空間クラスタは、基礎となる学習された体系的バイアスに従ってセグメンテーションタスクを実行するUNetパラメータを生成する。
  論文  参考訳（メタデータ） (2025-06-26T16:12:34Z)
• Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
  ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。 近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。 本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T16:43:09Z)
• Feature-Based Instance Neighbor Discovery: Advanced Stable Test-Time Adaptation in Dynamic World [7.9346432903946535]
  深層ニューラルネットワークは、トレーニングとテストドメイン間の分散シフトによって、依然としてパフォーマンスが低下している。 本稿では,FIND(Feature-based Instance Neighbor Discovery)を提案する。FIND(Feature-wise Feature Disentanglement),FABN(Feature Aware Batch Normalization),Selective FABN(S-FABN)の3つの主要コンポーネントからなる。 実験では、FINDは既存の手法を著しく上回り、動的シナリオにおいて30%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-06-07T12:45:49Z)
• FlexPara: Flexible Neural Surface Parameterization [71.65203972602673]
  本稿では,大域的および多角的表面パラメータ化を実現するために,教師なしニューラルネットワーク最適化フレームワークFlexParaを紹介する。 我々は,グローバルパラメータ化のための双方向のサイクルマッピングフレームワークを構築するために,幾何学的に解釈可能な一連のサブネットワークを,特定の機能と巧妙に設計・結合する。 実験は、我々の神経表面パラメータ化パラダイムの普遍性、優越性、およびインスピレーションのポテンシャルを実証する。
  論文  参考訳（メタデータ） (2025-04-27T12:30:08Z)
• SparCA: Sparse Compressed Agglomeration for Feature Extraction and Dimensionality Reduction [0.0]
  本稿では,新しい次元縮小法としてスパース圧縮凝集法(SparCA)を提案する。 SparCAは、幅広いデータタイプに適用でき、高度に解釈可能な機能を生成し、下流の教師あり学習タスクで魅力的なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-01-26T13:59:15Z)
• UDRN: Unified Dimensional Reduction Neural Network for Feature Selection and Feature Projection [37.03465340777392]
  次元還元(DR)は、高次元データを最小定義された最適化目標を持つ低次元潜在空間にマッピングする。 FSは次元の重要なサブセットの選択に重点を置いているが、データ分散(構造)を破壊するリスクがある FPは全ての入力特徴を低次元空間に結合し、データ構造を維持することを目的としている。 我々は、FSとFPをエンドツーエンドで統合する統一的なフレームワークUDRN(Unified dimensional Reduction Neural-network)を開発した。
  論文  参考訳（メタデータ） (2022-07-08T10:30:20Z)
• DHA: End-to-End Joint Optimization of Data Augmentation Policy, Hyper-parameter and Architecture [81.82173855071312]
  本稿では,AutoMLコンポーネントを統合したエンドツーエンドソリューションを提案する。 Dhaは、様々なデータセット、特にセルベースの検索空間を持つImageNetの77.4%の精度で、最先端(SOTA)結果を達成する。
  論文  参考訳（メタデータ） (2021-09-13T08:12:50Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)

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。