How to RETIRE Tabular Data in Favor of Discrete Digital Signal Representation

要約

コンピュータービジョンタスクにおける深いニューラルネットワークによって達成された成功は、近年、多次元エンコーディング（MDE）と呼ばれる新しい研究分野の出現につながっています。
このファミリに属する​​方法は、表形式データを均質な形式の個別のデジタル信号（画像）に変換して、畳み込みネットワークを最初に不適切な問題に適用することを目的としています。
連続した新興作品にもかかわらず、多次元エンコーディング方法のプールはまだ低く、既存のモダリティエンコーディング技術に関する研究の範囲は非常に限られています。
この研究分野に貢献するために、表形式から画像表現（退職）へのレーダーベースのエンコーディングを提案します。これにより、表のデータをレーダーグラフとして表現し、各問題インスタンスの特徴特性をキャプチャします。
退職は、分類の精度と計算の複雑さの観点から、最先端のMDEアルゴリズムのプールとXGBoostと比較されました。
さらに、退職性と既存のMDE技術の両方についてより多くの洞察を提供するために、転送可能性と説明可能性に関する分析が実施されました。
統計分析によってサポートされた得られた結果は、他の確立されたMDEメソッドよりも退職の優位性を確認します。

要約(オリジナル)

The successes achieved by deep neural networks in computer vision tasks have led in recent years to the emergence of a new research area dubbed Multi-Dimensional Encoding (MDE). Methods belonging to this family aim to transform tabular data into a homogeneous form of discrete digital signals (images) to apply convolutional networks to initially unsuitable problems. Despite the successive emerging works, the pool of multi-dimensional encoding methods is still low, and the scope of research on existing modality encoding techniques is quite limited. To contribute to this area of research, we propose the Radar-based Encoding from Tabular to Image REpresentation (RETIRE), which allows tabular data to be represented as radar graphs, capturing the feature characteristics of each problem instance. RETIRE was compared with a pool of state-of-the-art MDE algorithms as well as with XGBoost in terms of classification accuracy and computational complexity. In addition, an analysis was carried out regarding transferability and explainability to provide more insight into both RETIRE and existing MDE techniques. The results obtained, supported by statistical analysis, confirm the superiority of RETIRE over other established MDE methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google