Mar, 2024

FSDR：一种基于离散松弛的伪时间序列数据的新型深度学习特征选择算法

PDF
TL;DR利用离散松弛学习的深度学习算法 FSDR，针对伪时间序列（PTS）数据中的特征选择问题，实验证明 FSDR 在考虑执行时间、$R^2$ 以及 $RMSE$ 的平衡时，优于其他三种常用特征选择算法。
发现论文，激发创造
  • 数据中心的 AI：利用离散子集作为连续嵌入空间优化的深度生成可微特征选择

    通过将离散特征子集转换为连续嵌入空间优化的方法，我们提出了一种新的深度可微特征选择任务，实现了一种通用和原则性的框架，该框架包括深度特征子集编码器，准确性评估器，解码器和梯度上升优化器。

    Feb, 2023

  • NeuralFDR: 从假设特征学习发现阈值

    本研究提出了一个名为 NeuralFDR 的算法，以处理具有多维离散和连续特征的多个假设测试，该算法可以自动学习作为所有假设功能的功能的发现阈值，并证明其具有强大的错误发现率保证。

    Nov, 2017

  • 频率空间域随机化 —— 域泛化

    本文提出了一种基于频率空间领域随机化的方法（FSDR），通过将图像分解成不变频率成分（DIFs）和变异频率成分（DVFs）进行随机化，实现了更可控的域随机化过程，并在多个领域泛化任务上展示了优异的分隔性能。

    Mar, 2021

  • 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

  • 特征分离和重新校准的对抗鲁棒性

    本文提出了一种名为特征分离与校准 (FSR) 的新方法，通过分离和校准恶意、非鲁棒激活，为更强大的特征映射重新校准，以捕获正确模型预测所需的潜在有用线索，相较于传统的去激活技术，实验表明 FSR 不仅提高了现有对抗训练方法的健壮性，而且对计算开销很小。

    Mar, 2023

  • 通过松弛化实现监督离散哈希

    本文提出了一种基于学习的哈希方法，称为 “带松弛的监督离散哈希”（SDHR），它在传统监督离散哈希的基础上优化了回归目标矩阵，并满足每个示例的正确分类的大边界约束。SDHR 相对于传统的离散哈希方法具有更高的分类精度和更好的灵活性，并在图像和人脸数据集上得到了有效和高效的结果。

    Apr, 2019

  • Detach-ROCKET: 基于随机卷积核的时间序列分类的顺序特征选择

    通过引入顺序特征分离（SFD）作为一种方法来识别和修剪这些非必需特征，本研究解决了时间序列数据中大量随机生成特征的冗余性和非信息性的问题，通过测试在 UCR 存档上表明 SFD 可以在保持高准确率的同时，将模型特征数量减少到原始数量的 10％，并提供了一种称为 Detach-ROCKET 的端到端过程以在模型准确性和特征数量之间找到最佳平衡。

    Sep, 2023

  • 时间序列外部回归的无监督特征算法

    本研究提出了两个新的时间序列外生回归算法 FreshPRINCE 和 DrCIF，以及展示了它们与 InceptionTime 一起显著优于其他已测试的 18 个回归算法，尤其是这两种方法是唯一显著优于标准旋转森林回归算法的方法。

    May, 2023

  • DeepDRK: 深度依赖规范化 Knockoff 用于特征选择

    基于深度依赖正则化 knockoff 的模型在虚假发现率 (FDR) 控制方面表现优异，特别是在样本量较小且数据分布复杂的情况下，对合成数据、半合成数据和真实世界数据都取得了更好的性能。

    Feb, 2024

  • 高维分类问题的集成特征选择和规则提取的自适应神经模糊系统

    提出了一种可处理维度高达 7000 以上的神经模糊系统 AdaTSK，其中引入了一种自适应 softmin 算法，以有效地克服现有模糊系统在处理高维问题时出现的问题，并可在集成的 FSRE-AdaTSK 系统中进行特征选择和规则提取。

    Jan, 2022