論文の概要: Unsupervised Feature Selection Using Local Intrinsic Dimensionality -- Extended Version

• arxiv url: http://arxiv.org/abs/2610.40736v1
• Date: Thu, 29 Oct 2026 14:32:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.453035
• Title: Unsupervised Feature Selection Using Local Intrinsic Dimensionality -- Extended Version
• Title（参考訳）: 局所内在次元を用いた教師なし特徴選択-拡張バージョン
• Abstract要約: LIDFSは局所固有次元(LID)に基づく教師なし特徴選択法である ラベルやクラス数に関する情報は一切使用せず、$mathcalO(d2 n)$time for $n$インスタンスと$d$機能で実行される。 監督された評価では第1位、クラスタリングに基づく評価では第1位または第2位である。
• 参考スコア（独自算出の注目度）: 5.266792868353247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High dimensionality degrades both the efficiency and the effectiveness of learning algorithms, and in many applications no class labels are available to guide dimensionality reduction. This paper proposes LIDFS, an unsupervised feature selection method based on Local Intrinsic Dimensionality (LID). The method builds on the formal equivalence between LID and the indiscriminability of distance measures. The data matrix is transposed so that each feature is treated as a point, and the LID of each feature is estimated by maximum likelihood from the distances to its $k$ nearest neighboring features. Features with lower LID exhibit greater local discriminability and receive higher importance scores. A refinement step then retains one representative per feature neighborhood and demotes locally redundant features. The result is a complete ranking from which any number of features can be selected without rerunning the procedure. LIDFS does not use any information about labels or the number of classes, and runs in $\mathcal{O}(d^2 n)$ time for $n$ instances and $d$ features. LIDFS is compared with classic and state-of-the-art methods and a random baseline on 23 high-dimensional datasets, the classic benchmark collection. The evaluation uses classification accuracy and AUC with five downstream classifiers, as well as clustering accuracy and normalized mutual information, over both full and aggressive selection ranges. LIDFS ranks first in the supervised evaluations and first or tied second in the clustering-based evaluations. It belongs to the top statistical group together with methods that require the number of classes, and it runs faster than its closest competitor. Several recent methods, by contrast, fail to outperform the random baseline. A sensitivity analysis shows that small neighborhood sizes yield the best results.
• Abstract（参考訳）: 高次元性は学習アルゴリズムの効率性と有効性の両方を劣化させ、多くのアプリケーションでは次元性の減少を導くためのクラスラベルが存在しない。 本稿では,局所固有次元(LID)に基づく教師なし特徴選択手法であるLIDFSを提案する。 この手法は、LIDと距離測度の不識別性の間の形式的等価性に基づいて構築される。 データ行列は、各特徴を点として扱うように変換され、各特徴のLIDは、距離から最寄りの特徴まで最大で推定される。 LIDの低い特徴は、より局所的な識別性を示し、より重要度の高いスコアを得る。 改善ステップは、機能近傍毎に1つの代表を保持し、ローカルに冗長な機能を分解する。 その結果、手順を再実行することなく、あらゆる機能を選択することができる完全なランク付けとなる。 LIDFSはラベルやクラス数に関する情報を一切使用せず、$\mathcal{O}(d^2 n)$time for $n$インスタンスと$d$機能で実行される。 LIDFSは、古典的および最先端の手法と、23の高次元データセットのランダムなベースラインである古典的なベンチマークコレクションと比較される。 この評価は、5つの下流分類器による分類精度とAUCと、クラスタリング精度と正規化された相互情報を用いて、完全な選択範囲とアグレッシブな選択範囲を比較検討する。 LIDFSは、教師付き評価において第1位、クラスタリングに基づく評価では第1位または第2位である。 クラス数を必要とするメソッドとともに上位統計グループに属し、最も近い競合よりも速く走る。 対照的に、最近のいくつかの手法はランダムなベースラインを上回りません。 感度分析により、小さな地区の規模が最良の結果をもたらすことが示された。

関連論文リスト

• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Feature Selection using Sparse Adaptive Bottleneck Centroid-Encoder [1.2487990897680423]
  2つ以上のクラスで識別される特徴を決定するために,新しい非線形モデル SABCE (Sparse Adaptive Bottleneckid-Encoder) を導入する。 このアルゴリズムは、高次元生物学的、画像、音声、加速度センサデータなど、様々な実世界のデータセットに適用される。
  論文  参考訳（メタデータ） (2023-06-07T21:37:21Z)
• Ranking hierarchical multi-label classification results with mLPRs [4.869182515096001]
  与えられたクラス階層に固執しながら、参加者の少ない第2段階の質問に焦点を合わせます。 CATCHと呼ばれる新しい目的関数を導入し、適切な分類性能を確保する。 提案手法は,合成データセットと2つの実データセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-05-16T17:43:35Z)
• Parallel feature selection based on the trace ratio criterion [4.30274561163157]
  本研究は,PFSTを用いた並列特徴選択という,新しい並列特徴選択手法を提案する。 提案手法は,Fisher's Discriminant Analysisで用いられるクラス分離性の尺度であるトレース基準を用いて特徴的有用性を評価する。 実験により,本手法は,比較対象の他の手法による時間的差のごく一部で,少数の特徴セットを生成できることが確認された。
  論文  参考訳（メタデータ） (2022-03-03T10:50:33Z)
• 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)
• Self-Weighted Robust LDA for Multiclass Classification with Edge Classes [111.5515086563592]
  SWRLDAと呼ばれる,l21ノルムを基準とした新しい自己重み付き頑健なLDAを提案する。 提案するSWRLDAは実装が容易で,実際に高速に収束する。
  論文  参考訳（メタデータ） (2020-09-24T12:32:55Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• The classification for High-dimension low-sample size data [3.411873646414169]
  本稿では,クラス分離可能性の前提として,クラス内分散の類似性を強調する,HDLSSの新たな分類基準を提案する。 この基準により、非分離データ分散最大値 (NPDMD) で表される新しい線形二分分類器が設計される。 NPDMDは最先端の分類法と比較していくつかの特徴がある。
  論文  参考訳（メタデータ） (2020-06-21T07:04:16Z)

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。