FIB：一种用于评估多维数据中特征影响平衡的方法
机器学习
2022-07-12 v1 人工智能
摘要
依据手头任务的不同，误差可能具有不一样的后果。然而，关于误差向量中不同特征贡献不平衡所产生影响的研究十分有限。因此，我们提出特征影响平衡（FIB）分数。它衡量两个向量间差异中各个特征是否具有均衡的影响。我们将 FIB 分数设计于 [0, 1] 区间内。接近 0 的分数表明少数特征贡献了绝大部分误差，而接近 1 的分数表明多数特征对误差的贡献均等。我们在不同数据集上利用自编码器（AutoEncoders）与变分自编码器（Variational AutoEncoders）对 FIB 进行实验研究。我们展示了特征影响平衡在训练过程中的变化，并展现了其在支持单输出与多输出任务模型选择中的可用性。
引用
@article{arxiv.2207.04500,
title = {FIB: A Method for Evaluation of Feature Impact Balance in Multi-Dimensional Data},
author = {Xavier F. Cadet and Sara Ahmadi-Abhari and Hamed Haddadi},
journal= {arXiv preprint arXiv:2207.04500},
year = {2022}
}