論文の概要: Integrated Feature Selection for classification and Representation Learning with Group-Lasso Siamese Networks
- arxiv url: http://arxiv.org/abs/2610.39499v1
- Date: Thu, 29 Oct 2026 07:02:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:10.054594
- Title: Integrated Feature Selection for classification and Representation Learning with Group-Lasso Siamese Networks
- Title（参考訳）: グループラッソ・シームズネットワークを用いた分類・表現学習のための統合的特徴選択
- Abstract要約: 本研究は,グループ・ラッソの原理を特徴選択のためのシームズネットワークアーキテクチャに取り入れたものである。
分類精度を最適化する既存の手法とは異なり、提案手法は特徴のコンパクトな部分集合を特定することを目的としている。
その結果、提案フレームワークは、競争力や優れた分類性能を維持するために、コンパクトで差別的な特徴部分集合を一貫して識別することを示した。
- 参考スコア（独自算出の注目度）: 3.373200015661363
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Least Absolute Shrinkage and Selection Operator (Lasso) has been widely employed for feature selection in linear models and has also been extended to multi-layer perceptron (MLP) networks for both feature and group feature selection. Group-Lasso has also been used in feature selection using feed-forward neural networks. To the best of our knowledge, this is the first study to incorporate the Group-Lasso principle into a Siamese network architecture for feature selection. Unlike existing approaches that primarily optimize classification accuracy, the proposed method aims to identify a compact subset of features that simultaneously preserves the intrinsic representation of the input data (the goal of Siamese network) and is expected to achieve high classification performance. Two variants of the proposed framework are developed: one based on the Euclidean distance and the other on a modified Jaccard similarity measure for real-valued vectors. The latter is specifically designed to improve feature selection for high?dimensional sparse data. The effectiveness of the proposed approach is demonstrated on 12 benchmark datasets with feature dimensions ranging from 6 to 7070 using eight different classifiers. Experimental results demonstrate that the proposed Siamese Lasso framework consistently identifies compact and discriminative feature subsets maintaining competitive or superior classification performance, although the loss function used explicitly did not consider any regularizer to learn classification. In addition, the quality of the embeddings produced by these networks is assessed using manifold learning techniques such as UMAP and t-SNE.
- Abstract（参考訳）: LAST Absolute Shrinkage and Selection Operator (Lasso) は線形モデルの特徴選択に広く使われており、特徴選択とグループ特徴選択の両方のために多層パーセプトロン(MLP)ネットワークにも拡張されている。
Group-Lassoはフィードフォワードニューラルネットワークを用いた特徴選択にも使用されている。
我々の知る限りでは、これはグループ・ラッソの原理を特徴選択のためのシームズネットワークアーキテクチャに組み込んだ最初の研究である。
主に分類精度を最適化する既存の手法とは異なり,提案手法は入力データ(シームズネットワークの目標)の固有表現を同時に保存し,高い分類性能を期待できる特徴のコンパクトなサブセットを同定することを目的としている。
1つはユークリッド距離に基づくもので、もう1つは実数値ベクトルに対する修正ジャカード類似度尺度に基づくものである。
後者は、高次の機能選択を改善するために特別に設計されている。
次元のスパースデータです
提案手法の有効性は,8つの異なる分類器を用いて,特徴量6～7070のベンチマークデータセットを用いて実証した。
実験結果から,提案フレームワークは競争性や優れた分類性能を維持するためのコンパクトかつ差別的な特徴部分集合を一貫して識別することを示した。
さらに、これらのネットワークによって生成された埋め込みの質を、UMAPやt-SNEといった多様体学習技術を用いて評価する。
関連論文リスト
- Improving Multivariate Time Series Classification with Class-Wise Training and Model Aggregation [0.0]
多変量時系列分類(MTSC)のためのクラスワイド(チャネル)選択フレームワークを提案する。
一つの大域的な次元選択プロセスを適用するのではなく、提案手法は各クラスに対する情報的次元を独立に識別する。
本研究の目的は、ノイズや非情報的次元の影響を低減しつつ、識別的特徴表現の生成を改善することである。
論文 参考訳（メタデータ） (2026-09-07T13:41:33Z) - Tensor Network Machine Learning for Wildfire Susceptibility Mapping: from Grokking Dynamics to Quantum Mixedness of Class Representations [53.66343110413339]
ガルガノ地域の山火事感受性分類のための量子インスピレーション付きテンソルネットワークフレームワークについて紹介する。
このアプローチは、スケーラブルな地理空間表現と解釈可能な量子マスクを組み合わせることで、バイナリとマルチクラスの両方の分類を可能にする。
論文 参考訳（メタデータ） (2026-07-21T18:30:50Z) - Feature selection simultaneously preserving both class and cluster
structures [5.5612170847190665]
本稿では,クラス識別と構造保存の両方を統合的に重視するニューラルネットワークに基づく特徴選択手法を提案する。
実験の結果から,提案した特徴/帯域選択により,分類とクラスタリングの両方に適する特徴のサブセットを選択できると主張する。
論文 参考訳（メタデータ） (2023-07-08T04:49:51Z) - Ensemble Classifier Design Tuned to Dataset Characteristics for Network
Intrusion Detection [0.0]
データセットのクラスオーバーラップ問題に対処する2つの新しいアルゴリズムが提案されている。
提案手法は二進分類と多進分類の両方で評価される。
論文 参考訳（メタデータ） (2022-05-08T21:06:42Z) - Deep Neural Decision Forest for Acoustic Scene Classification [45.886356124352226]
音響シーン分類(ASC)は、録音環境の特性に基づいて音声クリップを分類することを目的としている。
深層神経決定林(DNDF)を用いたASCの新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-03-07T14:39:42Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - 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) - An evidential classifier based on Dempster-Shafer theory and deep
learning [6.230751621285322]
Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
論文 参考訳（メタデータ） (2021-03-25T01:29:05Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z)
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。