文献

J-GLOBAL ID：202202211683693877   整理番号：22A0771874

高速でロバストな特徴選択:オートエンコーダのためのエネルギー効率の良いスパーストレーニングの強度【JST・京大機械翻訳】

Quick and robust feature selection: the strength of energy-efficient sparse training for autoencoders

著者 (9件)： Atashgahi Zahra (Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente, Enschede, The Netherlands) ,  Sokar Ghada (Department of Mathematics and Computer Science, Eindhoven University of Technology, Eindhoven, The Netherlands) ,  van der Lee Tim (Department of Electrical Engineering, Eindhoven University of Technology, Eindhoven, The Netherlands) ,  Mocanu Elena (Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente, Enschede, The Netherlands) ,  Mocanu Decebal Constantin (Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente, Enschede, The Netherlands) ,  Mocanu Decebal Constantin (Department of Mathematics and Computer Science, Eindhoven University of Technology, Eindhoven, The Netherlands) ,  Veldhuis Raymond (Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente, Enschede, The Netherlands) ,  Pechenizkiy Mykola (Department of Mathematics and Computer Science, Eindhoven University of Technology, Eindhoven, The Netherlands) ,  Pechenizkiy Mykola (Faculty of Information Technology, University of Jyvaeskylae, Jyvaeskylae, Finland)
資料名： Machine Learning  (Machine Learning)
巻： 111  号： 1  ページ： 377-414  発行年： 2022年 
JST資料番号： W2199A  ISSN： 0885-6125  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： Major合併症は,高い計算コストとメモリ要求を含む高次元データ量の最近の増加から生じる。データセットの最も適切で有益な属性を同定する特徴選択をこの問題に対する解決策として導入した。既存の特徴選択法の大部分は計算的に非効率である。効率的なアルゴリズムは,高いエネルギー消費をもたらし,それは,限られた計算およびエネルギー資源を有するデバイスにとっては望ましくない。本論文では,教師なし特徴選択のための新規で柔軟な方法を提案した。QuickSelection(コード:https://github.com/zahraatashgahi/QuickSelection)と名付けたこの方法は,特徴重要性を測定する基準としてスパースニューラルネットワークにおけるニューロンの強度を導入する。この基準は,疎な進化訓練手順で訓練されたスパースに接続された雑音除去自動エンコーダとブレンドされ,同時にすべての入力特徴の重要性を導く。スパース性をシミュレートするため,接続上のバイナリマスクを使用する典型的なアプローチとは対照的に,純粋にスパースな方法でQuickSelectionを実行した。それは,かなりの速度増加とメモリ低減をもたらす。5つの低次元と3つの高次元データセットを含むいくつかのベンチマークデータセットで試験したとき,提案方法は,特徴選択のための広く使用されたアプローチの中で,分類とクラスタ化精度,実行時間,および最大メモリ利用の最良のトレードオフを達成できる。そのうえ,著者らの提案方法は,最先端のオートエンコーダベースの特徴選択法の中で,最小量のエネルギーを必要とする。Copyright The Author(s) 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  ニューロン ,  ニューラルネットワーク ,  クラスタ化 ,  *特徴選択 ,  *符号器 ,  ベンチマーク ,  属性 ,  *ロバスト性 ,  合併症 ,  雑音除去
準シソーラス用語： スパース性 ,  実行時間 ,  計算コスト , 【Automatic Indexing@JST】

著者キーワード (4件)： 特徴選択 ,  深層学習 ,  スパースオートエンコーダ ,  スパーストレーニング

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ロバスト ,  特徴選択 ,  オートエンコーダ ,  エネルギー効率