每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

MINERVA：用于监督特征选择的互信息神经估计

Created by
  • Haebom

作者

Taurai Muvunza、Egor Kraev、Pere Planell-Morell、Alexander Y. Shestopaloff

大纲

本文介绍了一种基于互信息神经估计的新型监督特征选择方法 MINERVA，用于建模特征-目标关系。鉴于传统的特征过滤器可能无法识别依赖于高阶特征交互而非单个特征贡献的目标，我们使用精心设计的损失函数（该函数增强了正则化项以引入稀疏性）和神经网络来参数化互信息的近似值，从而进行特征选择。MINERVA 的实现分为两步，将表征学习和特征选择分离，从而提高泛化性能并更准确地表征特征重要性。该方法已通过在合成和真实欺诈数据集上的实验证明了其能够获得准确的结果。

Takeaways, Limitations

•
Takeaways：
◦
通过考虑高阶特征交互有效地捕获复杂的特征目标关系。
◦
通过分离表示学习和特征选择来提高泛化性能。
◦
我们通过在合成和真实数据集上进行的实验证明了其有效性。
◦
它可以执行精确的解决方案。
•
Limitations：
◦
论文中没有具体提到Limitations。
👍
Made with Slashpage