Jan, 2022

基于稀疏性的特征选择用于异常子组发现

PDF
TL;DR本研究提出了基于稀疏自动特征选择 (SAFS) 框架的异常模式检测方法，该方法能够通过特征驱动的几率比的稀疏性编码系统性的预测结果偏差，具有可用性强和可在不同异常检测技术中使用的优点。而基于此技术检测的结果也已经在公共卫生数据集中得到验证，并证实相比于多个基线方法具备了更好的特征选择和检测性能。
发现论文，激发创造
  • 无模型特征选择以促进表格数据中发现不同子组

    该论文提出了一个面向数据的 AI 框架，可以自动选择重要特征，实现自动发现不同的数据子组并提高检测性能。通过在 MIMIC-III 和 Allstate Claims 公开数据集上的验证，该框架比现有的六种特征选择方法减少了 81 倍和 104 倍的特征选择时间，并实现了有竞争力的检测性能。

    Mar, 2022

  • 无监督异常定位的子空间感知特征重构

    我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。

    Sep, 2023

  • 嵌入特征选择的离群点检测集成

    提出了一种嵌入特征选择的异常检测集成框架 (ODEFS)，通过成对排名使特征选择和异常检测融合，使用阈值自适应学习同时优化特征选择和样例选择，设计了一个交替算法解决优化问题，分析了该框架的泛化误差界限，实验结果表明 ODEFS 的优越性。

    Jan, 2020

  • 在线稀疏流特征选择使用调整分类

    本研究提出了基于自适应分类的在线稀疏特征流式选择方法 (OS2FS-AC)，通过潜在因子分析 (LFA) 预估缺失数据，将特征划分为强相关、弱相关和不相关三类，并将其中的弱相关特征进一步进行信息分割，实验证明该方法在真实数据集上的表现优于现有算法。

    Feb, 2023

  • 稀疏回归：可扩展的算法和实证表现

    本文回顾了特征选择领域内应用最广的方法，重点关注其精度和误检探测率随着样本数量增加的表现，并对比了常用的 Lasso 正则化方法以外，不太为人所知的非凸罚函数方法。通过实证分析，我们发现整数规划方案及其布尔松弛具有更优的性能表现，但相应的计算成本也更高。考虑到准确率、假检率和计算时间等综合评估因素，本文揭示了一些不同的特征选择方案，为相关领域的研究提供了参考依据。

    Feb, 2019

  • AFS：一种基于注意力机制的监督特征选择方法

    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

  • 一种用于机器学习中的高维数据集的基于对比的特征选择算法

    通过选择最具信息量的特征并消除无关的特征，我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS，该方法能够在大型数据集上有效地降低计算成本，而且性能优于其他最先进的特征选择方法。

    Jan, 2024

  • 信息抽取中稀疏检测的自适应缩放

    本文提出了一种自适应缩放算法，通过动态代价敏感性学习实现直接优化 F 值，处理信息提取中稀疏正实例的问题，并采用边际效用的概念对实例重要性进行测量，在不引入额外超参数的情况下，有效解决了神经网络检测模型训练不稳定性的问题。

    May, 2018

  • 特征合奏：判别特征选择遇见无监督聚类

    本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

    Nov, 2014

  • A-SFS：基于多任务自监督的半监督特征选择

    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