ManiFeSt：面向小数据集的基于流形的特征选择
机器学习
2022-07-19 v1 机器学习
信号处理
摘要
在本文中，我们提出一种用于少样本有监督特征选择（FS）的新方法。我们的方法首先使用捕捉多特征关联的核来学习每一类特征空间的流形。然后，基于黎曼几何，计算一个复合核，提取所学特征关联之间的差异。最后，提出一种基于谱分析的 FS 分数。考虑多特征关联使得我们的方法在设计上就是多变量的。这反过来允许提取特征底层的隐藏流形并避免过拟合，从而促进少样本 FS。我们在说明性示例和若干基准上展示了我们方法的有效性，其中我们的方法在选择与竞争方法相比信息量更大的特征时表现出更高的准确性。此外，我们表明我们的 FS 在应用于测试数据时带来了改进的分类和更好的泛化能力。
引用
@article{arxiv.2207.08574,
title = {ManiFeSt: Manifold-based Feature Selection for Small Data Sets},
author = {David Cohen and Tal Shnitzer and Yuval Kluger and Ronen Talmon},
journal= {arXiv preprint arXiv:2207.08574},
year = {2022}
}
备注
22 pages, 10 figures