Deep-gKnock：基于深度神经网络的非线性组特征选择
机器学习
2019-05-28 v2 机器学习
摘要
特征选择是当代高维数据分析的核心。特征间的分组结构在各种科学问题中自然产生。已有许多方法被提出以将分组结构信息纳入特征选择。然而，这些方法通常局限于线性回归设定。为放宽线性约束，我们将深度神经网络（DNNs）与近期成功的 Knockoffs 技术相结合，后者在个体特征选择情境中已取得成效。我们提出 Deep-gKnock（使用 Knockoffs 的深度组特征选择）作为一种用于模型解释与降维的方法。Deep-gKnock 通过控制组级错误发现率（gFDR）执行无模型的组特征选择。我们的方法提升了 DNNs 的可解释性与可复现性。在合成与真实数据上的实验结果表明，与最先进的方法相比，我们的方法实现了更优的效能与准确的 gFDR 控制。
引用
@article{arxiv.1905.10013,
title = {Deep-gKnock: nonlinear group-feature selection with deep neural network},
author = {Guangyu Zhu and Tingting Zhao},
journal= {arXiv preprint arXiv:1905.10013},
year = {2019}
}