• Multi-Perspective Feature Selecti

• Multi-Perspective Feature Selection
Feature importance is usually more about a “local” conception than a “global”
one. To obtain a better representative feature subsets, the feature impact to
different low-embeddings or spectrums need to be considered [35]. Besides,
• Efficient Approximation of Spectral Embeddings
One foundation of our research framework is spectral embedding construction,
which is one of the most effective dimension reduction algorithms in
machine learning and data mining [100]. However, its associated high complexity
in both time O(n
3
) and space O(n
2
) prevents it from practical utilization
in many large-scale real-world applications. Many researches have
developed a few approximate spectral embeddings which are more efficient,

ผลลัพธ์ (ไทย) 1:

เลือกทัศนมิติหลายคุณลักษณะ•ลักษณะสำคัญคือมักจะเพิ่มเติมเกี่ยวกับความคิด "ภายใน" มากกว่าเป็น "สากล"หนึ่ง การขอรับคุณลักษณะตัวแทนดีกว่าส่วนย่อย ผลกระทบต่อคุณลักษณะต่าง ๆ ต่ำ-embeddings หรือสเปกตรัมที่ต้องได้รับการพิจารณา [35] นอกจากนี้•ประมาณประสิทธิภาพของสเปกตรัม Embeddingsมูลนิธิหนึ่งของกรอบการวิจัยของเราเป็นสเปกตรัมฝังก่อสร้างซึ่งเป็นขั้นตอนวิธีการลดขนาดมีประสิทธิภาพสูงสุดในอย่างใดอย่างหนึ่งหรือไม่เรียนรู้ของเครื่องและการทำเหมืองข้อมูล [100] อย่างไรก็ตาม ความซับซ้อนสูงที่เกี่ยวข้องในทั้งสองเวลา O (n3) และพื้นที่ O (n2) ป้องกันไม่ให้ใช้งานจริงในการใช้งานจริงขนาดใหญ่มาก มีงานวิจัยมากมายembeddings สเปกตรัมโดยประมาณไม่มีประสิทธิภาพ พัฒนา

ผลลัพธ์ (ไทย) 2:

•หลายมุมมองการเลือกลักษณะ
คุณสมบัติสำคัญมักจะเพิ่มเติมเกี่ยวกับความคิด "ท้องถิ่น" กว่า "ทั่วโลก"
อย่างใดอย่างหนึ่ง ที่จะได้รับที่ดีกว่าส่วนย่อยคุณลักษณะตัวแทนผลกระทบต่อคุณลักษณะ
ที่แตกต่างกัน embeddings ต่ำหรือสเปกตรัมจะต้องพิจารณา [35] นอกจาก
•ประมาณที่มีประสิทธิภาพของสเปกตรัม embeddings
หนึ่งรากฐานของกรอบการวิจัยของเราคือการก่อสร้างรางฝัง
ซึ่งเป็นหนึ่งในขั้นตอนวิธีการลดมิติที่มีประสิทธิภาพมากที่สุดในการ
เรียนรู้ของเครื่องและการทำเหมืองข้อมูล [100] อย่างไรก็ตามซับซ้อนสูงที่เกี่ยวข้อง
ทั้งในเวลา O (n
3
) และพื้นที่ O (n
2
) ป้องกันไม่ให้มันจากการใช้ประโยชน์ในทางปฏิบัติ
ในขนาดใหญ่ใช้งานจริงของโลกจำนวนมาก หลายงานวิจัยได้
รับการพัฒนาไม่กี่ embeddings สเปกตรัมตัวอย่างที่มีประสิทธิภาพมากขึ้น