論文の概要: SelectArena: A Modern Benchmark for Feature Selection on Real-world Tabular Data

• arxiv url: http://arxiv.org/abs/2610.13644v1
• Date: Fri, 09 Oct 2026 14:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.618359
• Title: SelectArena: A Modern Benchmark for Feature Selection on Real-world Tabular Data
• Title（参考訳）: SelectArena: 現実世界のタブラリデータの特徴選択のための最新のベンチマーク
• Abstract要約: 機能選択のための最新のベンチマークであるSelectArenaを紹介します。 我々は、71個の実世界のデータセットを手作業でキュレートした15個の特徴選択手法を比較した。 結果から,予測性能,ランタイム,安定性,妥当性の面でのトレードオフが明らかとなった。
• 参考スコア（独自算出の注目度）: 34.727337694275796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting a subset of features (columns) from a tabular dataset is a ubiquitous challenge in real-world applications. Industry experts seek to minimize model training costs, climate scientists require an interpretable subset of factors to understand extreme weather events, and clinicians need to choose among diagnostic tests due to financial and time constraints. When looking at the scientific literature to determine which feature selection method to use, practitioners across domains face an unrepresentative landscape of benchmarking. Despite extensive research, existing feature selection benchmarks provide limited guidance because they rely on outdated models, ad hoc evaluation protocols, or artificially generated data that do not reflect real-world problems. To close the gap between scientific benchmarking and real-world applications, we introduce SelectArena, a modern benchmark for feature selection. We compare 15 widely used feature selection methods on 71 manually curated real-world tabular datasets, covering classification and regression problems, using standardized evaluation protocols and state-of-the-art tabular (foundation) models. Our results reveal clear trade-offs across predictive performance, runtime, stability, and validity. Tree-based methods, CART and RFImportance, along with F-Test are Pareto-optimal when taking into account predictive performance and runtime. F-Test, information-theory-, and distance-based methods lead on stability and validity, with F-Test emerging as a balanced choice across our metrics. Search-based methods are slow, unstable and achieve low performance. SelectArena turns these findings into practical guidance and, as an extensible platform, supports future feature selection research.
• Abstract（参考訳）: グラフデータセットから機能のサブセット(カラム)を選択することは、現実世界のアプリケーションにおいて、ユビキタスな課題である。 業界の専門家はモデルトレーニングのコストを最小限に抑えようとしており、気候学者は極端な気象現象を理解するために解釈可能な要素のサブセットを必要としており、臨床医は財政的・時間的制約による診断テストの中から選ぶ必要がある。 科学的文献を見て、どの特徴選択方法を使うかを決定すると、ドメイン横断の実践者は、ベンチマークの非表現的な状況に直面します。 広範な研究にもかかわらず、既存の特徴選択ベンチマークは、時代遅れのモデル、アドホック評価プロトコル、または実世界の問題を反映しない人工的なデータに依存するため、限られたガイダンスを提供する。 科学的ベンチマークと実世界のアプリケーションとのギャップを埋めるため,機能選択のための最新のベンチマークであるSelectArenaを紹介した。 我々は,71個の実世界の表型データセットを手作業でキュレートした15個の特徴選択手法を比較し,標準化された評価プロトコルと最先端の表型(基礎)モデルを用いて分類と回帰問題を網羅した。 結果から,予測性能,ランタイム,安定性,妥当性の面でのトレードオフが明らかとなった。 CARTやRFImportanceといったツリーベースのメソッドとF-Testは、予測パフォーマンスと実行時のパレート最適化である。 F-Test、情報理論、距離ベースの手法は安定性と妥当性を導き、F-Testはメトリクス間でバランスの取れた選択として現れます。 検索ベースの手法は遅く、不安定であり、性能が低い。 SelectArenaはこれらの発見を実践的なガイダンスに変え、拡張可能なプラットフォームとして将来の機能選択研究をサポートする。

関連論文リスト

• Continual Test-Time Adaptation in Computer Vision: Methods, Benchmarks, and Future Directions [43.33274519035607]
  トレーニングとテストデータが同じ分布を共有する場合、ディープニューラルネットは顕著なパフォーマンスを達成する。 しかし、この仮定は、データが連続的な分散シフトを行う現実世界のデプロイメントにおいて、しばしば破られる。 連続テスト時間適応(CTTA)は、事前訓練されたモデルを非定常目標分布にオンザフライで適応させることによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-07-09T07:02:56Z)
• "FRAME: Forward Recursive Adaptive Model Extraction-A Technique for Advance Feature Selection" [0.0]
  本研究では,新しいハイブリッド手法であるフォワード再帰適応モデル抽出手法(FRAME)を提案する。 FRAMEは、フォワード選択と再帰的特徴除去を組み合わせて、さまざまなデータセットにおける機能選択を強化する。 その結果、FRAMEは下流の機械学習評価指標に基づいて、常に優れた予測性能を提供することが示された。
  論文  参考訳（メタデータ） (2025-01-21T08:34:10Z)
• Realistic Evaluation of Test-Time Adaptation Algorithms: Unsupervised Hyperparameter Selection [1.4530711901349282]
  TTA(Test-Time Adaptation)は、分散シフト下での機械学習モデルロバストネスの問題に対処するための有望な戦略として登場した。 我々は,サロゲートベースのhp選択戦略を用いて既存のTTA手法を評価し,その性能をより現実的に評価する。
  論文  参考訳（メタデータ） (2024-07-19T11:58:30Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [50.6382396309597]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• Take the essence and discard the dross: A Rethinking on Data Selection for Fine-Tuning Large Language Models [36.22392593103493]
  微調整された大規模言語モデル(LLM)のデータ選択は、既存のデータセットから高品質なサブセットを選択することを目的としている。 既存の調査では、微調整フェーズの詳細な調査を見落としている。 特徴抽出, 基準設計, セレクタ評価を含む新しい3段階の手法を導入し, これらの手法を体系的に分類し, 評価する。
  論文  参考訳（メタデータ） (2024-06-20T08:58:58Z)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)

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。