面向传感器时间序列与图像分类的嵌入特征选择模型输入输出配置搜索
机器学习
2025-02-05 v2 人工智能
神经与进化计算
摘要
机器学习是从多样数据集中提取有价值信息并进行各类预测的强有力工具。传统机器学习算法依赖于明确定义的输入与输出变量;然而,在某些场景中,输入与输出变量之间的划分以及模型底层的关联输入输出层是未知的。特征选择(FS)与神经架构搜索(NAS)在此类场景中已成为有前景的解决方案。本文提出MICS-EFS,即一种嵌入特征选择的模型输入输出配置搜索方法。该方法针对涉及一维传感器时间序列与二维图像数据的分类任务,探索完整输入参数空间中的内部依赖关系。MICS-EFS采用改进的编码器-解码器模型与序贯前向搜索(SFS)算法,将输入输出配置搜索与嵌入特征选择相结合。实验结果表明,MICS-EFS优于其他FS算法。在所有测试数据集上,MICS-EFS相较基线模型平均准确率提升1.5%,准确率增益介于0.5%至5.9%之间。此外,该算法将特征维度降至原始数据的仅2–5%,显著提升了计算效率。这些结果凸显了MICS-EFS在各类机器学习任务中提升模型准确率与效率的潜力。进一步地,所提方法已在面向加工过程的真实工业应用中得到验证,彰显了其在应对复杂输入输出挑战时的有效性与实用性。
引用
@article{arxiv.2310.17250,
title = {Model Input-Output Configuration Search with Embedded Feature Selection for Sensor Time-series and Image Classification},
author = {Anh T. Hoang and Zsolt J. Viharos},
journal= {arXiv preprint arXiv:2310.17250},
year = {2025}
}
备注
19 pages, 19 figures + appendix, the related software code can be found under the link: https://github.com/viharoszsolt/IDENAS