論文の概要: Advancing Interaction-Sensitive Feature Selection: Novel Relief-Based Algorithms, Expanded Comparisons, and Recommendations for Biomedical Data Mining

• arxiv url: http://arxiv.org/abs/2608.28552v1
• Date: Fri, 28 Aug 2026 17:28:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.420058
• Title: Advancing Interaction-Sensitive Feature Selection: Novel Relief-Based Algorithms, Expanded Comparisons, and Recommendations for Biomedical Data Mining
• Title（参考訳）: インタラクション・センシティブな特徴選択の促進: バイオメディカルデータマイニングのための新しいリリーフベースアルゴリズム, 拡張比較, 勧告
• Abstract要約: RBA(Relief-based algorithm)は、特徴的相互作用に敏感なフィルタ手法である。 RBAは、シミュレーションされたゲノムデータセット間で予測的特徴ランキングとランタイムを比較するために評価された。 Scikit-rebateのリファクタリングにより、RCAランタイムの10倍から35倍の削減を実現した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a precursor to high-dimensional biomedical data modeling, reliable feature selection can reduce computational expense, improve modeling performance, and yield simpler, more interpretable models. However, most filter-based feature selection methods struggle to detect feature interactions, while wrapper or embedded feature selection methods are computationally expensive. Relief-based algorithms (RBAs) are filter methods that are sensitive to feature interactions while mitigating these other limitations. This study (1) refactors, optimizes, and expands the scikit-rebate Python package with existing and newly proposed RBA variants and (2) conducts rigorous RBA benchmark comparisons across diverse genomic simulations. We expand scikit-rebate to include SWRF*, mu-Relief, and 5 novel RBA variants implementing alternative strategies for neighbor selection and feature scoring. All RBAs were evaluated to compare predictive feature ranking and runtime across simulated genomic datasets varying in sample size, number of features, heritability, and underlying association type (e.g. main effects and interactions). All RBAs, except mu-Relief, were proficient in detecting 2-way interactions in noisy data. RBAs utilizing 'far' scoring were best at detecting 2-way interactions - with MultiSWRFDB* top-performing - but were far less sensitive to main effects. SWRF, MultiSWRF, MultiSURF, and MultiSWRFDB yielded top performance across main effect and 2-way interaction datasets with MultiSWRFDB performing best when also considering 3-way interactions. Refactoring of scikit-rebate resulted in 10 to 35-fold reductions in RBA runtimes. The newly introduced RBAs were among the strongest performing, and by robustly retaining both main effects and 2-way epistatic interactions, these algorithms preserve predictive signals for downstream modeling.
• Abstract（参考訳）: 高次元のバイオメディカルデータモデリングの先駆けとして、信頼性の高い特徴選択は、計算コストを削減し、モデリング性能を改善し、よりシンプルで解釈可能なモデルを生成する。 しかし、ほとんどのフィルタベースの特徴選択法は特徴の相互作用を検出するのに苦労し、ラッパーや組込み特徴選択法は計算コストがかかる。 RBA(Relief-based algorithm)は、他の制限を緩和しながら特徴的相互作用に敏感なフィルタ手法である。 本研究は,(1)既存の RBA 変種および新たに提案された RBA 変種を用いて,Scikit-Rebate Python パッケージをリファクタリングし,最適化し,拡張し,(2) 多様なゲノムシミュレーションにおいて厳密な RBA ベンチマークを行う。 我々は、隣接する選択と特徴スコアのための代替戦略を実装したSWRF*、mu-Relief、および5つの新しいRCA変種を含むように、Scikit-Rebateを拡張した。 RBAは, サンプルサイズ, 特徴数, 遺伝性, 根底にある関連型(例えば, 主効果と相互作用)の異なるゲノムデータセットを用いて, 予測的特徴ランキングと実行時間を比較して評価した。 mu-Reliefを除く全てのRABはノイズデータ中の2方向の相互作用を検出するのに熟練していた。 遠距離スコアを用いたRABは、MultiSWRFDB*トップパフォーマンスの2方向インタラクションを検出するのに最適であったが、主な効果にははるかに敏感であった。 SWRF, MultiSWRF, MultiSURF, MultiSWRFDBは, 3方向インタラクションを考慮した場合, 主効果と2方向インタラクションデータセットで最高の性能を示した。 Scikit-rebate のリファクタリングにより RBA ランタイムの 10 倍から 35 倍の削減を実現した。 新たに導入されたRCAは、主要な効果と2方向のエピスタティック相互作用をしっかりと保持することで、下流モデリングのための予測信号を保存する。

関連論文リスト

• RelPrism: A Multi-Faceted Pre-training Framework with Self-Generated Tasks for Relational Databases [49.47033473074821]
  RDBのための多面的自己教師型学習フレームワークであるRelPrismを提案する。 RDBタスクは、しばしば異なる視点と粒度の多面的な情報を必要とする。 以上の結果から,RelPrismはROC-AUCを4.15%改善し,MAEを10.75%削減した。
  論文  参考訳（メタデータ） (2026-05-22T05:19:58Z)
• A Systematic Evaluation of Imbalance Handling Methods in Biomedical Binary Classification [9.011003401201323]
  本研究では, バイオメディカルバイナリ分類における不均衡処理法(IHM)が予測性能に及ぼす影響を系統的に検討した。 我々は、ランダムアンダーサンプリング(RUS)、ランダムオーバーサンプリング(ROS)、SMOTE(SMOTE)、再重み付け(RW)、直接F1スコア最適化(DMO)の5つの代表IHMを評価した。 より複雑なモデルと非構造化データに対して明確な利点が観察された。
  論文  参考訳（メタデータ） (2026-05-13T21:57:38Z)
• Feature Weighting Improves Pool-Based Sequential Active Learning for Regression [10.379343112150682]
  回帰計算(ALR)のためのプールベースの逐次能動的学習は、ラベルなしサンプルの大きなプールからラベルまで、少数のサンプルを最適に選択する。 異なるサンプル間の距離を計算することを含む代表性と多様性は、ALRにおいて重要な考慮事項である。 本稿では,3つの特徴重み付きシングルタスクALRアプローチと2つの特徴重み付きマルチタスクALRアプローチを提案する。
  論文  参考訳（メタデータ） (2026-04-02T13:22:43Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• TayFCS: Towards Light Feature Combination Selection for Deep Recommender Systems [44.80081613834248]
  Taylor Expansion Scorer (TayScorer) は、ベースモデル上のフィールドワイドテイラー展開のためのモジュールである。 ロジスティック回帰除去(LRE)は、モデル予測性能に基づいて対応する情報ゲインを推定する。
  論文  参考訳（メタデータ） (2025-07-05T04:22:42Z)
• R^2VFL: A Robust Random Vector Functional Link Network with Huber-Weighted Framework [0.5892638927736115]
  ランダムベクトル汎関数リンク(RVFL)ニューラルネットワークは、従来の人工ニューラルネットワークの制約を克服する大きな可能性を示している。 本稿では,ハマー重み関数とクラス確率を持つ新しいフレームワーク,R2VFL,RVFLを提案する。 提案したモデルを47のUCIデータセット上で広範囲に評価し,厳密な統計的検証を行い,提案モデルの優位性を確認した。
  論文  参考訳（メタデータ） (2025-04-29T14:20:23Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Learning High-Order Interactions via Targeted Pattern Search [0.6198237241838558]
  ターゲットパターン探索(LIPS)による高次インタラクションの学習という新しいアルゴリズムを提案する。 LIPSは、ロジスティック回帰モデルに含まれる様々な順序の相互作用項を選択する。 実際の研究シナリオに広く適用できることを証明し、ベンチマークの最先端のアルゴリズムを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-02-23T11:13:22Z)
• A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
  本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。 ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。 シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
  論文  参考訳（メタデータ） (2020-11-30T21:47:38Z)

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。