一种用于卷积神经网络的动态加权表格方法
计算机视觉与模式识别
2022-05-24 v1 机器学习
摘要
传统机器学习（ML）模型如支持向量机、随机森林和逻辑回归通常更受青睐用于表格数据集上的分类任务。表格数据由对应于样本和特征的行与列组成。过往研究表明，传统分类器在复杂表格数据集上常产生不尽人意的结果。因此，研究者尝试将强大的卷积神经网络（CNN）用于表格数据集。近期研究提出了若干技术如 SuperTML、条件 GAN（CTGAN）和表格卷积（TAC）以将卷积神经网络（CNN）应用于表格数据。这些模型优于传统分类器并大幅提升了在表格数据上的性能。本研究引入一种新技术，即动态加权表格方法（DWTM），其基于统计技术动态使用特征权重以将 CNN 应用于表格数据集。该方法根据各特征与类标签的关联强度动态分配权重。每个数据点被转换为图像并输入 CNN 模型。特征根据其权重分配图像画布空间。DWTM 是对前述方法的改进，因为它动态实现整个实验设置，而非使用前述方法中提供的静态配置。此外，它使用了利用特征权重创建图像画布空间的新颖思路。本文中，DWTM 应用于六个基准表格数据集，并在所有数据集上取得出色性能（即平均准确率 = 95%）。
引用
@article{arxiv.2205.10386,
title = {A Dynamic Weighted Tabular Method for Convolutional Neural Networks},
author = {Md Ifraham Iqbal and Md. Saddam Hossain Mukta and Ahmed Rafi Hasan},
journal= {arXiv preprint arXiv:2205.10386},
year = {2022}
}