用于神经网络中可控特征选择的神经高斯镜像
机器学习
2020-10-14 v1 机器学习
摘要
深度神经网络（DNNs）已变得越来越流行，并在预测任务中取得了卓越性能。然而，DNN 框架本身无法告知用户哪些特征对做出预测更重要或更不重要，这限制了其在许多科学领域的适用性。我们引入了神经高斯镜像（NGMs），其中通过基于核的条件依赖度量的结构化扰动创建镜像特征，以帮助评估特征重要性。我们设计了两种 DNN 架构的改进，以纳入镜像特征并提供镜像统计量来衡量特征重要性。如模拟和真实数据示例所示，所提方法在预定义水平上控制特征选择错误率，并且即使在存在高度相关特征时仍保持较高的选择功效。
引用
@article{arxiv.2010.06175,
title = {Neural Gaussian Mirror for Controlled Feature Selection in Neural Networks},
author = {Xin Xing and Yu Gui and Chenguang Dai and Jun S. Liu},
journal= {arXiv preprint arXiv:2010.06175},
year = {2020}
}