通过挖掘多个任务之间的相关性进行半监督特征分析
提出了一种基于自适应协同相关学习的半监督多标签特征选择方法(Access-MFS),用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题,并通过引入广义回归模型和扩展的不相关约束,在标记数据中选择具有区分性但无关的特征,并同时保持预测和实际标签之间的一致性,从而适应性地学习样本相似性图和标签相似性图,以提高特征选择性能。大量实验结果表明,所提出的 Access-MFS 方法优于其他最先进方法。
Jun, 2024
本文针对多任务学习问题,提出一种学习任务和输入特征之间关系的联合预测方法,通过优化任务协方差和特征协方差矩阵,提出了一种高效的坐标轮流最小化算法,实验结果表明该方法比同类方法快得多,同时提供了一种非线性扩展方法,其泛化能力比现有方法更好。
Feb, 2017
提出了一种高效的、可扩展的、基于特征提取和重要性过滤的算法,用于过滤机器学习流水线中具有显著影响的特征,特别适用于预测性维护或生产线优化等任务中的时间序列分类和回归问题,并在模拟随机过程和 UCR 时间序列分类库的二元分类问题中进行了基准测试。
Oct, 2016
通过引入基于深度学习的自监督机制,提出了一种批量注意力自监督特征选择(A-SFS)方法,该方法利用多任务自监督自编码器发现特征之间的隐藏结构,并通过批量注意力机制生成特征权重,以减少少量有噪音数据的影响。与 14 种主要的算法进行比较,实验结果表明,该方法在大多数数据集中具有最高的准确性,并且在降低对标签的依赖,并且对于噪声和丢失数据最具有鲁棒性。
Jul, 2022
本研究通过大维度研究了一种简单而多功能的分类模型,同时涵盖了多任务学习、半监督学习和考虑不确定标签的要素。利用随机矩阵理论的工具,我们表征了一些关键功能的渐近特性,一方面可以预测算法的性能,另一方面揭示了一些关于有效使用该算法的反直觉指导。该模型不仅强大到提供良好的性能保证,而且简单到深入理解其行为。
Feb, 2024
本文提出了一种基于博弈理论、计算特征重要性的方法,用于无监督特征选择并消除冗余,结果表明该方法在降低冗余率的同时最大化数据信息。同时,本文还介绍了一种计算 Shapley 值的算法的近似版本,使其能够降低复杂度。
May, 2022
本文提出了一种新的学习范式,以自动从非常高的维度中识别出信息丰富且相关的特征组。通过利用相关度量作为约束条件,我们提出了一种有效的嵌入式特征选择方法,可以识别出最优的有区分性而且不相关的特征子集,即所谓的支持特征。在学习过程中,还可以发现与每个支持特征相关联的相关特征的基础组结构,即附属特征,而不需要任何额外成本。 在合成和高维真实世界数据集上的广泛实证研究验证了所提出的方法的有效性和效率。
Jun, 2012
本文提出一种新的预测器组合算法,通过基于可能相关的参考预测器改进已有的任务预测器;同时,为了克服现有方法的局限性,设计了一种新的非参数任务依赖估计过程,并将其实例化为健壮的流形扩散过程,以联合细化预测器对齐和对应的任务依赖关系,将此算法应用于相关属性排序问题,并证明它不仅扩大了预测器组合方法的应用范围,而且在应用于经典的预测器组合设置时也优于现有方法。
Apr, 2019
该研究提出了一种无监督的多任务模型,用于联合学习点云上的点和形状特征,并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明,与之前的无监督模型相比,该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中,准确率达到 89.1%,在 ShapeNet 分割任务中,mIoU 为 68.2%,准确率为 88.6%。
Oct, 2019