Copula for Instance-wise Feature Selection and Ranking

要約

インスタンスごとの特徴選択およびランク付け方法により、ニューラル ネットワークのコンテキストでサンプルごとにタスクに適した特徴を適切に選択できます。
ただし、特徴サブセットが独立していると仮定する既存のアプローチは、特徴間の依存関係を考慮すると不完全です。
この制限に対処するために、追加の変更を必要とせずに、変数間の相関を捉えるための強力な数学的手法であるガウス コピュラを現在の特徴選択フレームワークに組み込むことを提案します。
合成データセットと実際のデータセットの両方に関する実験結果は、パフォーマンスの比較と解釈可能性の観点から、私たちの方法が意味のある相関関係を捕捉できることを示しています。

要約(オリジナル)

Instance-wise feature selection and ranking methods can achieve a good selection of task-friendly features for each sample in the context of neural networks. However, existing approaches that assume feature subsets to be independent are imperfect when considering the dependency between features. To address this limitation, we propose to incorporate the Gaussian copula, a powerful mathematical technique for capturing correlations between variables, into the current feature selection framework with no additional changes needed. Experimental results on both synthetic and real datasets, in terms of performance comparison and interpretability, demonstrate that our method is capable of capturing meaningful correlations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google