Abstract—To address the high-dimens

Abstract—To address the high-dimensionality of big data,
numerous iterative algorithms have been introduced including
least absolute shrinkage selection operator (Lasso) and iteratively
sure independent screening (ISIS). However, the iterative nature
of these algorithms renders the computational cost of retraining
the learning model impractical. We take advantage of this key
observation to propose a novel non-iterative algorithm inspired
by deep neural network input reconstruction. Our proposed
technique provides faster feature selection by training the model
once. This is achieved by exploiting the cross entropy error
between the input and the estimates. Simulation studies support
our approach on several real world datasets. For rigor, a
comparative analysis of the computational complexity is also
provided to assert the advantage of our approach.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ — ที่อยู่มิติสูงของข้อมูลขนาดใหญ่มีการใช้อัลกอริทึมซ้ำมากมายรวมทั้งผู้ประกอบการที่เลือกแน่นอนอย่างน้อยการหดตัว(แบบ Lasso) และปรับปรุงต้นคัดกรองตรวจสอบอิสระ (ISIS) อย่างไรก็ตาม ธรรมชาติซ้ำอัลกอริทึมเหล่านี้แสดงการคำนวณต้นทุนของการฝึกแบบจำลองการเรียนรู้ทำไม่ได้ ประโยชน์ของคีย์นี้สังเกตเสนออัลกอริธึมไม่ซ้ำแบบนวนิยายแรงบันดาลใจโดยโครงข่ายประสาทลึกเข้าบูรณะ เรานำเสนอเทคนิคให้เลือกคุณลักษณะเร็ว โดยรูปแบบการฝึกอบรมครั้ง โดยการใช้ประโยชน์จากข้อผิดพลาดระหว่างเอนโทรปีระหว่างการป้อนข้อมูลและการประเมิน สนับสนุนการศึกษาของจำลองแนวทางของเราบนโลกจริงหลาย datasets สำหรับความรุนแรง การวิเคราะห์เปรียบเทียบความซับซ้อนเชิงคำนวณก็ให้อ้างประโยชน์ของวิธีการของเรา

ผลลัพธ์ (ไทย) 2:

บทคัดย่อการที่อยู่ในมิติที่สูงของข้อมูลขนาดใหญ่
อัลกอริทึมซ้ำจำนวนมากได้รับการแนะนำรวมทั้ง
ผู้ประกอบการหดตัวเลือกที่แน่นอนอย่างน้อย (เชือก) และซ้ำ
แน่ใจว่าการตรวจคัดกรองเป็นอิสระ (ISIS) แต่ลักษณะซ้ำ
ขั้นตอนวิธีการเหล่านี้ทำให้ค่าใช้จ่ายในการคำนวณของการฝึกอบรม
การเรียนรู้แบบทำไม่ได้ เราใช้ประโยชน์จากคีย์นี้
สังเกตเพื่อนำเสนอขั้นตอนวิธีการที่ไม่ซ้ำนวนิยายแรงบันดาลใจ
จากการฟื้นฟูการป้อนข้อมูลเครือข่ายประสาทลึก ที่เรานำเสนอ
เทคนิคให้เลือกคุณลักษณะได้เร็วขึ้นโดยการฝึกอบรมรุ่น
ละครั้ง นี้จะทำได้โดยการใช้ประโยชน์จากข้อผิดพลาดเอนโทรปีข้าม
ระหว่างการป้อนข้อมูลและประมาณการ สนับสนุนการศึกษาแบบจำลอง
วิธีการของเราหลายต่อหลายชุดข้อมูลโลกแห่งความจริง สำหรับความรุนแรงที่มี
การวิเคราะห์เปรียบเทียบของคอมพิวเตอร์ที่ซับซ้อนนอกจากนี้ยัง
จัดให้มีการยืนยันประโยชน์ของวิธีการของเรา

ผลลัพธ์ (ไทย) 3:

นามธรรมที่อยู่ dimensionality สูงข้อมูลใหญ่ขั้นตอนวิธีของจำนวนมากได้รับการแนะนำ ได้แก่แต่อย่างน้อยแน่นอนเลือกผู้ประกอบการ ( เชือก ) และซ้ำการตรวจคัดกรองอิสระแน่นอน ( Isis ) อย่างไรก็ตาม ลักษณะวนซ้ำขั้นตอนวิธีเหล่านี้ ทำให้ต้นทุนของการฝึกอบรมคอมพิวเตอร์รูปแบบการเรียนรู้ที่ใช้งานไม่ได้ เราใช้ประโยชน์จากหลักนี้พินิจเสนอนวนิยายไม่ซ้ำขั้นตอนวิธีจากแรงบันดาลใจโดยเครือข่ายประสาทลึกเข้าฟื้นฟู เราเสนอเทคนิคการคัดเลือกคุณลักษณะให้เร็วขึ้น โดยการฝึกแบบครั้ง นี่คือความโดยการใช้ประโยชน์จากข้อผิดพลาดข้ามเอนโทรปีระหว่างการป้อนข้อมูลและการประมาณการ ผลการศึกษาสนับสนุนวิธีการของเราบนโลกจริงหลายชุดข้อมูล สำหรับการ ,การวิเคราะห์เชิงเปรียบเทียบของการคำนวณที่ซับซ้อนเป็นยังให้เพื่อยืนยันประโยชน์ของวิธีการของเรา