Jan, 2024

功能数据分类的特征选择

PDF
TL;DR该论文介绍了一种名为 FSFC（适用于功能分类的特征选择）的新方法，它解决了在具有分类响应和纵向特征的情况下同时执行特征选择和功能数据分类的挑战。通过集成逻辑损失和功能特征来识别分类的最重要特征，该方法利用功能主成分和自适应版增广拉格朗日算法解决了最小化过程，实现了高维数据的高效处理，并且在计算时间和分类准确率方面优于其他机器学习和深度学习方法。
发现论文，激发创造
  • 无监督特征选择方法的性能分析

    本文比较了不同算法在特征选择方面的效果，结果表明 PCA、Rough PCA、USQR 和 EDR 算法能够快速筛选出对数据分类最相关的特征。

    Jun, 2013

  • 通过信息最大化进行功能充分降维并应用于分类

    本文提出了两种基于互信息和平方损失互信息的新型功能性充分降维（FSDR）方法，能够在分类数目相对较小的情况下估计多个有效的降维方向，尤其是对于二元响应，而且不需要线性条件平均值和常数协方差假设。在一些温和的条件下，本文建立了所提出方法的统计一致性，并通过模拟和实际数据分析证明了这两种方法的竞争性。

    May, 2023

  • 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

  • 基于多样功能表示的监督学习：功能投票分类器

    功能数据分析（FDA）是用于建模和分析时间域函数数据的框架，在该领域中，集成学习的功能分类器只是最近引起了极大的兴趣。该论文的重点是基于功能数据的集成学习，展示了如何使用不同的功能表示来训练集成成员，并通过多数投票来组合基模型的预测结果。所提出的功能投票分类器（FVC）证明了不同的功能表示可以增加多样性从而提高预测准确性。使用多个真实世界数据集显示，与单个模型相比，FVC 可以显著提高性能。这个框架为功能数据的投票集成提供了基础，并在 FDA 领域激发了一个非常有潜力的研究方向。

    Mar, 2024

  • 时间序列的双向降维的一种函数方法

    本文提出了一种非线性函数对函数的降维方法，使用连续神经元的连续隐藏层来学习函数数据中固有的结构，通过降低函数特征数和观测时间点数来得到一个低维的潜在表征，从而在时间序列的维度缩减方面取得了比目前方法更好的效果。

    Jan, 2023

  • 使用主成分分析和特征重要性解释功能数据神经网络预测

    本文提出了一种基于功能数据的解释机器学习模型的程序，使用功能主成分分析（fPCA）和置换特征重要性（PFI），并通过解释爆炸光谱 - 时间特征签名的神经网络来演示这种技术。

    Oct, 2020

  • 基于信息论的物联网环境下的联邦多标签特征选择

    本文介绍了第一个针对物联网环境中分布式多标签数据集合的联合多标签特征选择方法 FMLFS，通过对边缘服务器上的度量的聚合和 Pareto 双目标策略以及拥挤距离策略，将排序后的特征返回给物联网设备，评估结果表明 FMLFS 在性能、时间复杂度和通信成本等方面优于其他五个可比较的方法。

    May, 2024

  • DRCFS：双重稳健因果特征选择

    DRCFS 是一种具有理论保证的双重稳健特征选择方法，可用于确定复杂系统中与目标变量高度相关的因果特征，特别是针对非线性和高维问题。

    Jun, 2023

  • 基于功能连接的神经障碍诊断的可学习对应病因分析框架

    通过采用深度学习模型进行疾病识别和解释模型进行后续分析，我们提出了一个新的统一框架来集成诊断和解释，并通过仿真逆转诊断信息的功能连接来验证其有效性，并在对疾病相关的神经模式进行分析。

    Oct, 2023

  • 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