Core Concepts
自動的な特徴選択における重要性と、新しい方法での線形特徴学習の提案。
Abstract
高次元データにおける自動的な特徴選択の重要性が強調され、低次元の線形部分空間内に情報がある場合、その推定方法が提案されています。提案手法は、予測関数と線形部分空間を同時に推定し、Hermite多項式の直交性と回転不変性を活用しています。この手法は、実験結果での性能も示されています。
Stats
提案手法は、P ⊤P = Is という条件を満たす低ランク行列 P を使用している。
パラメータ r は (0, 2) の範囲で設定されている。
特徴選択や特徴学習において、Hermite多項式が有用であることが示唆されている。
Quotes
"Our method addresses the limitations of previous methods, as it is valid for any distribution, and does not require said distribution to be known."
"The proposed regularisation strategy would be applicable to a wide range of problems where empirical risk can be formulated."
"In summary, our contributions encompass the introduction of a novel empirical risk minimisation framework with derivative-based regularisation for estimating the e.d.r. space in multi-index models."