基于自编码器的无监督特征选择
本研究提出了一种创新的无监督特征选择框架 —— 分形自编码器 (FAE),它通过训练神经网络来精确定位全局取代能力和局部多样性的信息特征,具有显著优势,可在 14 个数据集上验证,特别是在基因表达数据探索方面可将测量成本降低约 15%,比现有的同类方法性能更优。
Oct, 2020
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
本研究提出了一种新颖的神经网络特征选择体系结构,称为基于注意力机制的特征选择(AFS),它包括两个可分离的模块:特征权重生成的注意力模块和问题建模的学习模块。 通过实验结果,AFS 在与多种最先进的特征选择算法的比较中表现出最佳的精度和稳定性。
Feb, 2019
本文提出了一种自适应选择重要特征字段的 AutoML 框架,该框架设计了一个可微的控制器网络,通过自动调整选择特定特征字段的概率来重新训练深度推荐模型,实验证明了该框架的有效性。
Apr, 2022
在 GWAS 数据中,本研究引入了一种针对超高维数据的特征选择方法,该方法利用 Frobenius 范数惩罚增强学生网络的适应能力,通过自动编码器或监督自动编码器进行维度约简,以及经过正则化的前馈模型进行精确特征选择,在实验中展示了其在 GWAS 数据特征选择中的高效性和灵活性。
Dec, 2023
该研究论文介绍了一种新的神经网络架构(Multiple-Input Auto-Encoder,MIAE),该模型通过无监督学习将异构输入转化为低维表示,并设计了特征选择层以选择信息丰富的特征。这种方法在检测入侵行为方面表现优秀,同时具有较快的运行速度和较小的模型大小。
Mar, 2024
本篇论文提出了一种基于可微分的具体选择器层的端到端不监督学习方法,用于全局特征选择并同时重构输入数据,通过在训练过程中逐渐降低具体选择器层的温度来学习特征,并在测试时用所选特征与解码器网络一起重构其余输入特征。该方法在各种数据集上得到了验证,特别是在大规模基因表达数据集上,选择了几个基因子集,用于估算剩余基因的表达水平。与现有的专家筛选方式相比,降低了测量成本,是一种极为有效的实现方式,可成为标准自动编码器的补充。
Jan, 2019
本文介绍了自适应特征选择(AFS)来优化基于编码器 - 解码器的端到端语音翻译,实验表明, 使用 AFS 来稀疏语音特征可以提高翻译效果,降低模型计算复杂度,并与级联基线模型相比取得了更好的性能,在 LibriSpeech En-Fr 上的 BLEU 分数达到了 18.56。
Oct, 2020
研究如何在自动化特征选择中平衡有效性和效率。通过提出一个新的交互式增强特征选择框架,将特征选择问题形式化为交互式强化学习框架,该框架通过自我探索经验及多元化外部技术指导训练器,从而加速学习。此外,该研究利用多种不同搜索策略进行训练,并提出了一种混合教学策略来帮助智能体学习更广泛的知识。最后,对真实世界数据集进行广泛实验以展示该方法的性能改进。
Aug, 2020