LM-IGTD：一种用于低维混合型表格数据的 2D 图像生成器，以发挥卷积神经网络的潜力
计算机视觉与模式识别
2024-06-24 v1 人工智能
摘要
表格数据在不同知识领域中被广泛使用。卷积神经网络（CNNs）在许多应用程序中成功地用于处理重要信息嵌入在特征顺序（图像）中的数据，超越了传统模型的预测结果。最近，一些研究人员提出将表格数据转换为图像，以发挥 CNNs 的潜力并在分类和回归等预测任务中取得高结果。本文提出了一种新颖且有效的将表格数据转换为图像的方法，针对低维混合类型数据集所固有的局限性进行了改进。我们的方法称为低混合型图像生成器用于表格数据（LM-IGTD），它集成了随机特征生成过程和修改版的 IGTD。我们引入一个自动且可解释的端到端管道，使能够从表格数据创建图像。建立了原始特征与生成图像之间的映射，并采用后验可解释性方法来识别这些图像的关键区域，从而增强了预测任务的可解释性。对表格数据到图像生成方法在 12 个低维混合类型数据集上的广泛评估，包括二元和多类分类场景。特别是，当使用 LM-IGTD 生成的图像和 CNN 时，我们的方法在 12 个数据集中的 5 个数据集上超越了所有传统机器学习模型。在剩余的数据集中，LM-IGTD 生成的图像和 CNN 在 4 个传统机器学习模型中一致优于其中 3 个， achieving 与第 4 个模型相似的结果。
引用
@article{arxiv.2406.14566,
title = {LM-IGTD: a 2D image generator for low-dimensional and mixed-type tabular data to leverage the potential of convolutional neural networks},
author = {Vanesa Gómez-Martínez and Francisco J. Lara-Abelenda and Pablo Peiro-Corbacho and David Chushig-Muzo and Conceicao Granja and Cristina Soguero-Ruiz},
journal= {arXiv preprint arXiv:2406.14566},
year = {2024}
}