抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
オートエンコーダは,データ次元縮小のための非線形ツールとして広く使用されている。オートエンコーダはラベル情報を利用しないが,Centoid-Encoder(CE)サイト{ghosh2022教師つき}は,それらの学習過程においてクラスラベルを使用する。本研究では,2つ以上のクラスを識別する特徴の最小集合を決定するために,Centroid-Encoderアーキテクチャを用いたスパース最適化を提案した。得られたアルゴリズム,Sparse Centroid-Encoder(SCE)は,そのクラス重心をマッピングしながら,スパース性誘導l_1ノルムを用いて,グループにおける識別特徴を抽出する。SCEの1つの重要な属性は,マルチモーダルデータセット,即ち,そのクラスが複数のクラスタを持つように見えるデータセットから有益な特徴を抽出することができることである。アルゴリズムを,単一セルデータ,高次元生物学的データ,画像データ,音声データ,および加速度計センサデータを含む,多様な実世界データセットに適用した。提案手法を,教師つきコンクリート自動符号化器(SCAE),特徴選択ネットワーク(FNet),深層特徴選択(DFS),確率的ゲート(STG),およびLassoNetを含む,様々な最先端の特徴選択技術と比較した。経験的に,SCE特徴が,隔離試験セットで他の方法より,しばしばより良い分類精度を生成することを示した。【JST・京大機械翻訳】