スパース重心エンコーダ:特徴選択のための非線形モデル【JST・京大機械翻訳】

Ghosh Tomojit; Kirby Michael

プレプリント

J-GLOBAL ID：202202208556120719 整理番号：22P0282070

スパース重心エンコーダ:特徴選択のための非線形モデル【JST・京大機械翻訳】

Sparse Centroid-Encoder: A Nonlinear Model for Feature Selection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月30日プレプリントサーバーでの情報更新日： 2022年06月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る