論文の概要: When Features Become Instances: Inverted Contrastive Learning for Unsupervised Feature Selection

• arxiv url: http://arxiv.org/abs/2609.00782v1
• Date: Tue, 01 Sep 2026 06:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.416391
• Title: When Features Become Instances: Inverted Contrastive Learning for Unsupervised Feature Selection
• Title（参考訳）: 特徴がインスタンスになるとき:教師なし特徴選択のための逆コントラスト学習
• Authors: Utsab Ghosh, Roshni Chakraborty,
• Abstract要約: 教師なしの特徴選択は、クラスラベルにアクセスすることなく、情報的特徴のコンパクトなサブセットを求める。 Inverted Contrastive Learning for Unsupervised Feature Selection (ICLFS)を提案する。 ICLFSは、UFSをサンプルではなく特徴よりも表現学習の問題として再定義する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised feature selection seeks a compact subset of informative features without access to class labels, making feature utility difficult to define. Existing UFS methods therefore rely on indirect structural criteria, such as similarity preservation, locality, sparsity, cluster geometry, or reconstruction quality. In this paper, we instead study UFS through representation consistency and propose Inverted Contrastive Learning for Unsupervised Feature Selection (ICLFS), a feature-wise contrastive framework that reformulates UFS as a representation learning problem over features rather than samples. ICLFS first inverts the data matrix so that each feature is represented by its sample-profile vector, then constructs multiple masked positive views together with a shuffled negative view, and learns projector-space representations that remain consistent across these structured perturbations under an InfoNCE-based objective. Motivated by recent findings that cosine-based and InfoNCE-based training affect embedding norms, we use projector-space embedding magnitude as the saliency signal for ranking features. The resulting norm-based ranking is subsequently refined through Laplacian-Gated Ranking Correction, which suppresses locally redundant candidates while preserving salient ones. Extensive experiments on 12 benchmark datasets show that ICLFS achieves the best clustering accuracy on 10 datasets against both classical and neural baselines under the standard clustering-based UFS evaluation protocol, while remaining competitive on the other two. These results show that feature-wise contrastive representation consistency provides a strong and effective alternative to neighborhood, cluster, and reconstruction-based UFS formulations.
• Abstract（参考訳）: 教師なしの機能選択は、クラスラベルにアクセスせずに、情報的機能のコンパクトなサブセットを求め、機能ユーティリティを定義するのが難しくなる。 したがって、既存のUFS法は、類似性保存、局所性、空間性、クラスター幾何学、再構成品質など、間接的な構造基準に依存している。 本稿では,UFSを表現整合性を通じて研究し,非教師付き特徴選択のための逆コントラスト学習(ICLFS)を提案する。 ICLFSはまずデータ行列を逆転させ、各特徴がサンプルベクトルで表現されるようにし、シャッフルされた負のビューとともに複数のマスクされた正のビューを構築し、InfoNCEベースの目的の下でこれらの構造化摂動に対して一貫性のあるプロジェクタ空間表現を学習する。 コサインベースとInfoNCEベースのトレーニングが埋め込み規範に影響を及ぼすという最近の知見に触発されて、私たちはプロジェクター空間埋め込みマグニチュードを、ランキング機能のためのサリエンシ信号として使っている。 結果として得られるノルムベースのランキングは、ラプラシアン・ゲイト・ランキング・コレクション(英語版)によって洗練され、緩やかなランキングを維持しながら、局所的に冗長な候補を抑える。 12のベンチマークデータセットに対する大規模な実験は、ICLFSが標準クラスタリングベースのUFS評価プロトコルの下で、古典的ベースラインと神経的ベースラインの両方に対して10のデータセット上で最高のクラスタリング精度を達成する一方で、他の2つでは競争力を維持していることを示している。 これらの結果から,特徴的コントラッシブな表現整合性は,地域,クラスタ,再構築に基づくUFSの定式化に対して,強力かつ効果的な代替手段となることが示唆された。

関連論文リスト

• On the Properties of Feature Attribution for Supervised Contrastive Learning [0.0]
  分類のためのほとんどのニューラルネットワーク(NN)は、損失関数としてクロスエントロピーを用いて訓練されている。 対照的学習(CL)では、NNが埋め込みスペースを生成し、類似したデータのプロジェクションをまとめる。 Supervised CL (SCL) はCEロバスト性に対して, 対向性およびアウト・オブ・ディストリビューション検出において重要な優位性を提供する。
  論文  参考訳（メタデータ） (2026-04-24T13:32:43Z)
• FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning [2.750124853532831]
  ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。 我々のフレームワークは、平均精度と性能の安定性の観点から、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-04-21T17:51:58Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• i-IF-Learn: Iterative Feature Selection and Unsupervised Learning for High-Dimensional Complex Data [5.761834753104483]
  i-IF-Learnは、機能選択とクラスタリングを共同で実行する教師なしのフレームワークである。 我々の中心となる革新は、擬似ラベル監視と教師なし信号とを効果的に組み合わせた適応的特徴選択統計である。 遺伝子マイクロアレイと単細胞RNA-seqデータセットの実験により、i-IF-Learnは古典的および深層クラスタリングベースラインを著しく超えることが示された。
  論文  参考訳（メタデータ） (2026-03-25T07:35:38Z)
• Unify the Views: View-Consistent Prototype Learning for Few-Shot Segmentation [23.546777614096424]
  ショーショットセグメンテーション(FSS)は、限られた監督力を持つ新しいクラスに一般化する能力において大きな注目を集めている。 本稿では、クラス固有のプロトタイプを洗練するための構造的一貫性と識別をモデル化する統合フレームワークであるVINEを導入することにより、これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-03-06T06:36:42Z)
• Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
  視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。 COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。 COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-10-28T03:47:44Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。