一种利用实例级信息的基于显著性的可扩展特征选择方法
机器学习
2020-12-16 v1 机器学习
摘要
经典特征选择技术去除那些不相关或冗余的特征,获得相关特征的子集,有助于提供更好的知识提取。这使得创建更紧凑且更易解释的模型成为可能。这些技术大多在整个数据集上工作,但当仅需要实例信息时,无法向用户提供有效信息。简言之,给定任意样本,经典特征选择算法不提供关于该样本最相关信息是什么的任何信息。本工作旨在通过开发一种称为基于显著性的特征选择(Saliency-based Feature Selection, SFS)的新颖特征选择方法克服这一缺陷,该方法基于深度学习显著性技术。我们的实验结果将证明,该算法不仅可成功用于神经网络,也可用于任何使用梯度下降技术训练的给定架构。
引用
@article{arxiv.1904.13127,
title = {A scalable saliency-based Feature selection method with instance level information},
author = {Brais Cancela and Verónica Bolón-Canedo and Amparo Alonso-Betanzos and João Gama},
journal= {arXiv preprint arXiv:1904.13127},
year = {2020}
}