arXiv:2406.01162

Conditional Gumbel-Softmax for constrained feature selection with application to node selection in wireless sensor networks

Thomas Strypsteen, Alexander Bertrand

제출 2024-06-03

원문 초록

In this paper, we introduce Conditional Gumbel-Softmax as a method to perform end-to-end learning of the optimal feature subset for a given task and deep neural network (DNN) model, while adhering to certain pairwise constraints between the features. We do this by conditioning the selection of each feature in the subset on another feature. We demonstrate how this approach can be used to select the task-optimal nodes composing a wireless sensor network (WSN) while ensuring that none of the nodes that require communication between one another have too large of a distance between them, limiting the required power spent on this communication. We validate this approach on an emulated Wireless Electroencephalography (EEG) Sensor Network (WESN) solving a motor execution task. We analyze how the performance of the WESN varies as the constraints are made more stringent and how well the Conditional Gumbel-Softmax performs in comparison with a heuristic, greedy selection method. While the application focus of this paper is on wearable brain-computer interfaces, the proposed methodology is generic and can readily be applied to node deployment in wireless sensor networks and constrained feature selection in other applications as well.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2508.05229v2cs.HC공통 태그 feature selection, EEG

ADSEL: 불완전 다차원 감정 레이블을 통한 EEG 특징 선택을 위한 적응형 이중 자기표현 학습

ADSEL: Adaptive Dual Self-Expression Learning for EEG Feature Selection via Incomplete Multi-Dimensional Emotion Labels

EEG 기반 다차원 감정 인식은 감성 컴puting 분야에서 상당한 연구 관심을 받아 왔다. 그러나 EEG 특징의 고차원성과 제한된 표본 크기는 분류기 과적합과 높은 계산 복잡도를 자주 초래한다. 특징 선택은 이러한 문제를 완화하는 핵심 전략이다. 그러나 기존 EEG 특징 선택 방법의 대부분은 완전한 다차원 감정 레이블을 가정한다. 실제로 개방형 획득 환경과 감정 지각의 내재적 주관성으로 인해 레이블 데이터가 불완전해지는 경우가 많으며, 이는 모델 일반화를 저해할 수 있다. 또한 불완전 다차원 레이블을 다루는 기존 특징 선택 방법은 레이블 복원 과정에서 여러 차원 간 상관관계에 주로 초점을 두며, 레이블 공간에서 표본 간 상관관계와 이들이 여러 차원과 맺는 상호작용은 간과한다. 이러한 문제를 해결하기 위해, 본 연구는 Adaptive Dual Self-Expression Learning(ADSEL)과 최소자승 회귀를 통합한 새로운 불완전 다차원 감정 특징 선택 프레임워크를 제안한다. ADSEL은 레이블 공간 내 표본 수준과 차원 수준 자기표현 학습 과정 사이에 양방향 경로를 구축할 수 있으며, 두 과정 간 학습 정보의 교차 공유를 가능하게 하여 레이블 재구성을 위해 표본과 차원 모두에서 유효 정보를 동시에 활용할 수 있다. 이에 따라 ADSEL은 레이블 복원 정확도를 높이고 다차원 감정 인식을 위한 최적 EEG 특징 부분집합을 효과적으로 식별할 수 있다. ADSEL은 다차원 감정 레이블을 갖는 세 공개 EEG 데이터셋에서 14개 최신 특징 선택 방법과 비교 평가되었다. 실험 결과 ADSEL이 부분적 레이블 결측 조건에서 우수한 성능을 달성할 수 있음을 보여준다.

arXiv:2607.02670v1cs.LG공통 태그 feature selection, EEG

정신병리 차원 예측을 위한 세분성 인식 EEG 특징 프레임워크

A Granularity-Aware EEG Feature Framework for Psychopathology Dimension Prediction

뇌전도(EEG)는 차원적 정신병리의 신경생리학적 상관관계를 비침습적으로 검사하는 방법을 제공하지만, EEG 패러다임과 특징 세분성에 걸친 체계적인 근거는 아직 제한적이다. 본 연구에서는 다중 스케일 기술자를 전역, 지역, 채널 수준으로 체계화하는 세분성 인식 EEG 특징 파이프라인을 개발한다. Healthy Brain Network(HBN) 코호트를 사용하여, 네 가지 EEG 패러다임에 걸쳐 p-요인, 내재화, 외재화, 주의력 문제의 네 가지 정신병리 차원 예측을 평가한다. 소아 정신병리의 이질성과 설문지 기반 점수의 보통 수준의 신뢰도를 고려할 때, 이 환경은 임상 선별 시나리오가 아닌 도전적인 타당성 검증을 나타낸다. 트리 기반 모델과 세분성 균형 특징 선택은 선택된 조건에서 기존 접근법 대비 유망한 개선을 보였으나, 효과 크기는 완만한 수준에 머물렀다. 선택된 마커의 시각화를 통해 기존 신경생리학적 지식과 대체로 일치하는 차원별 공간 및 스펙트럼 패턴이 드러났다. 독립적인 PEARL 코호트에 대한 탐색적 교차-데이터셋 건전성 검증은 교차-데이터셋 일반화 가능성을 주장하지 않으면서도, 프로토콜 변화 하에서 제안된 선택 원칙이 기술적으로 실현 가능하다는 점을 시사하였다. 전반적으로, 다중 스케일 EEG 특징은 차원적 정신병리와 관련된 약하지만 감지 가능한 신호를 포함하고 있으며, 세분성 인식 선택은 향후 EEG 기반 표현형 분석 연구를 위한 유용한 특징 축소 전략으로 활용될 수 있다.

arXiv:2605.09028v5cs.LG공통 태그 feature selection

권한 기반 Android 악성코드 탐지에서 도메인 이동 진단 및 완화

Diagnosing and Mitigating Domain Shift in Permission-Based Android Malware Detection

기계 학습 기반 Android 악성코드 탐지기는 도메인 이동(domain shift) 때문에 실제 배포 환경에서 자주 실패하며, 한 데이터 소스에서 학습된 모델이 다른 소스의 애플리케이션에서는 성능이 크게 떨어진다. 본 논문은 교차 도메인(cross-domain) 조건에서 권한 기반 탐지기의 일반화 가능성과 해석 가능성에 대한 포괄적인 연구를 제시한다. PerMalDroid와 NATICUSdroid라는 두 상호 보완적 데이터셋과 다섯 가지 앙상블 분류기를 사용하여, 먼저 도메인 내(intra-domain) 기준선을 설정하며 모델이 92% 이상의 정확도를 달성함을 보인다. 이어 심각한 비대칭적 성능 하락을 정량화한다. PerMalDroid에서 학습된 모델은 NATICUSdroid에 잘 일반화되지만(정확도 86%), 반대 방향에서는 정확도가 73%까지 급격히 하락한다. 설명 가능한 AI(Explainable AI) 분석은 이봉(bimodal) 특징 분포를 밝히고, 특징 중요도가 매우 불안정하며 핵심 권한(permission)이 도메인에 따라 영향력을 잃거나 얻는다는 것을 보여준다. 서로 다른 도메인의 예측 특징 집합은 근본적으로 불일치하며, 모델은 데이터셋별로 서로 다른 권한에 의존한다. 가장 중요하게, 절삭(ablation) 연구는 대부분의 모델에서 노이즈가 있는 특징 집합으로 학습할 경우 일반화가 저조함을 보여 주며, 이는 누락된 특징보다 도메인 특이적 인공물(artifact)이 더 큰 장애물임을 확인한다. 이를 완화하기 위해 공통 특징의 교집합에 기반한 하이브리드 학습 전략을 검증하였으며, 교차 도메인 성능을 성공적으로 회복하여 PerMalDroid에서 88%의 정확도를 달성하고 NATICUSdroid에서는 97%를 유지한다. 이러한 결과는 설명 가능하고 교차 도메인에 강건한 악성코드 탐지 시스템의 중요성을 강조하며, 권한 기반 Android 악성코드 탐지기의 실제 배포 개선을 위한 실용적 경로를 제시한다.

arXiv:2607.01539v3cs.NE공통 태그 feature selection

MMAO-Cls: 특징 선택과 분류기 튜닝을 동시에 수행하는 대사 다중 에이전트 최적화

MMAO-Cls: Metabolic Multi-Agent Optimization for Joint Feature Selection and Classifier Tuning

본 논문은 대사 다중 에이전트 최적화기(MMAO)가 분류 모델 선택을 위한 신뢰할 만한 외부 루프 최적화기로 기능할 수 있는지를 연구한다. 각 에이전트가 이진 특징 마스크와 분류기 하이퍼파라미터를 함께 인코딩하고, 개별 에너지, 공동 예산, 역할 변동, 생애주기 교체가 래퍼 학습의 정확도-복잡도 트레이드오프에 대응되는 혼합 공간 구현인 MMAO-Cls를 제안한다. 구현은 특징 정보 사전분포로부터 특징 예산 적응을 도출하고, 검증 보상을 부분집합의 간결성과 학습-검증 과적합 격차로 함께 정규화하여 강화되었다. 각각 3개의 시드로 7개의 표준 정형 데이터 벤치마크에서 MMAO-Cls를 평가하고, RandomSearch, GA-lite, PSO-lite, 내생적 비공유 제거 변형과 비교한다. 종합 검증 목적함수에서 MMAO-Cls는 GA-lite($0.9446$)에 이어 2위($0.9433$)이다. 보류된 테스트 성능에서는 평균 점수 $0.8882$를 달성하여 RandomSearch($0.8808$)와 GA-lite($0.8857$)를 능가하고, PSO-lite($0.8874$) 및 비공유 제거 변형($0.8900$)에는 근접하며, 비교된 모든 방법 중 보류 데이터 기준 평균 특징 부분집합이 가장 간결하다(특징 비율 $0.4881$). 쌍체 검정 결과 이러한 차이는 아직 통계적으로 유의하지 않다. 결과는 MMAO가 분류와 간결한 혼합 공간 탐색에 적용 가능함을 뒷받침하지만, 공동 공유가 보류 데이터 성능에 기여하는 정도는 해결되지 않은 채 남아 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.