基于哈希筛选与窗口筛选的深度森林
机器学习
2022-07-26 v1
摘要
作为一种新颖的深度学习模型，gcForest 已被广泛应用于各种场景中。然而，当前 gcForest 的多粒度扫描会产生许多冗余特征向量，这增加了模型的时间开销。为筛除冗余特征向量，我们为多粒度扫描引入了一种哈希筛选机制，并提出了一种采用哈希筛选与窗口筛选两种策略的模型，称为 HW-Forest。HW-Forest 在哈希筛选策略中采用感知哈希算法计算特征向量之间的相似度，用于去除多粒度扫描产生的冗余特征向量，并能显著降低时间开销与内存消耗。此外，我们采用一种自适应实例筛选策略来提升方法性能，称为窗口筛选，其可在不同数据集上无需超参数调优即达到更高精度。实验结果表明，HW-Forest 具有比其他模型更高的精度，且时间开销也得以降低。
引用
@article{arxiv.2207.11951,
title = {Deep Forest with Hashing Screening and Window Screening},
author = {Pengfei Ma and Youxi Wu and Yan Li and Lei Guo and He Jiang and Xingquan Zhu and Xindong Wu},
journal= {arXiv preprint arXiv:2207.11951},
year = {2022}
}