論文の概要: Towards Truly Unsupervised Evaluation of Feature Selection
- arxiv url: http://arxiv.org/abs/2608.12057v1
- Date: Wed, 12 Aug 2026 13:39:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.595089
- Title: Towards Truly Unsupervised Evaluation of Feature Selection
- Title（参考訳）: 特徴選択の完全教師なし評価に向けて
- Abstract要約: 本稿では,教師なし評価手法の確立について批判的な議論を行う。
本稿では,特徴選択アルゴリズムの品質を評価するための,新しい非教師付き評価フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.9847673458229393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feature selection is one of the most important and fundamental tasks in data mining, tackled by a family of methods with an established set of evaluation techniques to measure the quality of a specific method. Most of the methods commonly used for the unsupervised evaluation of feature selection algorithms suffer from critical design flaws which question their unsupervised nature. In this paper, we provide a critical discussion on the established allegedly unsupervised evaluation techniques, and shed light on the reasons why they are not truly unsupervised but, at best, supervised evaluation under an unsupervised downstream task. We also propose a novel, truly unsupervised evaluation framework to measure the quality of the feature selection algorithms without any form of information about the labels. The proposed framework utilizes unsupervised Principal Component Analysis, and optimal transport to measure the quality of the feature selection methods in a truly unsupervised manner.
- Abstract（参考訳）: 特徴選択はデータマイニングにおいて最も重要かつ基本的な課題の1つであり、特定の手法の品質を測定するための評価手法が確立された一連の手法によって取り組まれている。
特徴選択アルゴリズムの教師なし評価によく用いられる手法の多くは、教師なしの性質に疑問を呈する重要な設計上の欠陥に悩まされている。
本稿では,教師なし評価手法の確立について批判的な議論を行い,教師なし評価手法が本当に教師なしでない理由,あるいは監督なし下流タスクによる教師なし評価の理由を明らかにした。
また,ラベルに関する情報を一切含まない特徴選択アルゴリズムの品質を計測する,新しい非教師付き評価フレームワークを提案する。
提案フレームワークは、教師なし主成分分析と最適輸送を利用して、教師なしの方法で特徴選択手法の品質を計測する。
関連論文リスト
- An Empirical Study of Feature Selection Granularity [3.3545793786322347]
従来の特徴選択アルゴリズムは、機能セット全体の機能重要度スコアをグローバルに計算し、単一のステップで上位機能を選択する。
情報の少ない(あるいは騒がしい)機能の存在は、他のより関連性の高い機能の重要性を隠蔽するだろうか?
論文 参考訳（メタデータ） (2026-07-27T08:24:40Z) - Worse than Random: The Importance of a Baseline for Unsupervised Feature Selection [3.4555387017929866]
本稿では,教師なし特徴選択法を評価するためのベースラインとして,ランダムな特徴選択を提案する。
教師なし特徴選択における最先端手法の多くは、性能と効率の両面でランダムな特徴選択により性能が向上していることを示す。
論文 参考訳（メタデータ） (2026-05-21T19:04:54Z) - FSEVAL: Feature Selection Evaluation Toolbox and Dashboard [3.3545793786322347]
特徴の選択は、基本的な機械学習とデータマイニングのタスクである。
可視化ダッシュボードを備えた機能選択評価ツールボックスFSEVALを提案する。
論文 参考訳（メタデータ） (2026-04-20T13:11:25Z) - A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。
最適化に基づく最適化手法であるMERITを導入する。
MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
論文 参考訳（メタデータ） (2025-06-23T19:59:30Z) - CritiQ: Mining Data Quality Criteria from Human Preferences [91.44025907584931]
人間の嗜好からデータ品質の基準を自動的にマイニングする新しいデータ選択手法であるCritiQを紹介する。
CritiQ Flowはマネージャエージェントを使用して品質基準を進化させ、ワーカーエージェントはペアで判断する。
コード,数学,論理領域において,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2025-02-26T16:33:41Z) - Evaluating Disentanglement in Generative Models Without Knowledge of
Latent Factors [71.79984112148865]
本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。
本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
論文 参考訳（メタデータ） (2022-10-04T17:27:29Z) - A Revealing Large-Scale Evaluation of Unsupervised Anomaly Detection
Algorithms [0.0]
異常検出には、銀行詐欺検知やサイバー脅威検出から機器のメンテナンスや健康モニタリングまで、多くの応用がある。
我々は,最も普及している非教師付き異常検出方法の12点を概観した。
論文 参考訳（メタデータ） (2022-04-21T00:17:12Z) - CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。
本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。
私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
論文 参考訳（メタデータ） (2021-10-04T17:59:31Z) - Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。
特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。
次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
論文 参考訳（メタデータ） (2021-08-06T05:20:46Z) - Fairness-Aware Unsupervised Feature Selection [37.13136799987164]
フェアネスを意識した教師なし特徴選択問題のための原則的フレームワークを開発する。
提案するフレームワークは,モデルに依存しないデバイアス戦略とみなすことができる。
複数の実世界のデータセットに対する実験結果から,本フレームワークは実用性と公正性向上の良好なトレードオフを達成できることが示された。
論文 参考訳（メタデータ） (2021-06-04T02:38:05Z) - Catch Me if I Can: Detecting Strategic Behaviour in Peer Assessment [61.24399136715106]
我々は、試験やホームワークの査定や採用・昇進の査定など、様々な査定課題における戦略的行動の課題について考察する。
我々はこのような操作を検出する方法の設計に重点を置いている。
具体的には、エージェントがピアのサブセットを評価し、後に集約されたランキングを最終的な順序付けとして出力する設定について検討する。
論文 参考訳（メタデータ） (2020-10-08T15:08:40Z)
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。