Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
International Journal of Machine Learning and Cybernetics
Erschienen in: International Journal of Machine Learning and Cybernetics 6/2013

01.12.2013 | Original Article

A variational Bayesian framework for group feature selection

verfasst von: Niranjan Subrahmanya, Yung C. Shin

Erschienen in: International Journal of Machine Learning and Cybernetics | Ausgabe 6/2013

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In many machine learning and pattern analysis applications, grouping of features during model development and the selection of a small number of relevant groups can be useful to improve the interpretability of the learned parameters. Although this problem has been receiving a significant amount of attention lately, most of the approaches require the manual tuning of one or more hyper-parameters. In order to overcome this drawback, this work presents a novel hierarchical Bayesian formulation of a generalized linear model and estimates the posterior distribution of the parameters and hyper-parameters of the model within a completely Bayesian paradigm based on variational inference. All the required computations are analytically tractable. The performance and applicability of the proposed framework is demonstrated on synthetic and real world examples.
Vorheriger Artikel Automatic non-interactive matting of dynamic targets in complex video using Graph Cuts
Nächster Artikel Two kinds of multi-level formal concepts and its application for sets approximations

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
Hall DL (1992) Mathematical techniques in multisensor data fusion. Artech House Inc., Boston
2.
Subrahmanya N, Shin YC (2010) Sparse multiple kernel learning for signal processing applications. IEEE Trans Pattern Anal Mach Intell 32(5):788–798CrossRef
3.
Guo G, Chen S, Chen L (2012) Soft subspace clustering with an improved feature weight self-adjustment mechanism. Int J Mach Learn Cybern 3(1):39–49CrossRef
4.
Qin Y, Zheng D, Zhao T (2012) Research on search results optimization technology with category features integration. Int J Mach Learn Cybern 3(1):71–76CrossRef
5.
Pan D, Jian G, Wurtele ES, Dickerson JA (2005) Modeling gene expression networks using fuzzy logic. IEEE Trans Syst Man Cybern Part B 35(6):1351–1359CrossRef
6.
7.
Guyon I, Elisseeff A (2003) An introduction to variable and feature selection. J Mach Leran Res 3:1157–1182MATH
8.
9.
Tibshirani R (1996) Regression shrinkage and selection via the lasso. J Royal Stat Soc Ser B 58(1):267–288MathSciNetMATH
10.
Weston J, Elisseeff A, Scholkopf B, Tipping M (2003) Use of the zero-norm with linear models and kernel methods. J Mach Leran Res 3:1439–1461MathSciNetMATH
11.
Figueiredo MAT (2003) Adaptive sparseness for supervised learning. IEEE Trans Pattern Anal Mach Intell 25(9):1150–1159MathSciNetCrossRef
12.
Lal TN, Schroder M, Hinterberger T, Weston J, Bogdan M, Birbaumer N, Scholkopf B (2004) Support vector channel selection in BCI. IEEE Trans Biomed Eng 51(6):1003–1010CrossRef
13.
14.
Similä T, Tikka J (2007) Input selection and shrinkage in multiresponse linear regression. Comput Stat Data Anal 52:406–422CrossRefMATH
15.
Wang L, Chen G, Li H (2007) Group SCAD regression analysis for microarray time course gene expression data. Bioinformatics 23(12):1486–1494MathSciNetCrossRef
16.
17.
Meier L, van de Geer S, Buhlmann P (2006) The group lasso for logistic regression. In: Technical Report, Eidgenössische Technische Hochschule
18.
Stoeckel J, Fung G (2005) SVM feature selection for classification of SPECT images of Alzheimer’s disease using spatial information. In: IEEE Conference on Data Mining
19.
Bach F, Jenatton R, Mairal J, Obozinski G (2011) Convex optimization with sparsity-inducing norms. In: Sra S, Nowozin S, Wright SJ (eds) Optimization for Machine Learning. MIT Press, Cambridge
20.
Jenatton R, Mairal J, Obozinski G, Bach F (2010) Proximal methods for sparse hierarchical dictionary learning. In: International Conference on Machine Learning
21.
Bishop CM, Tipping ME (2000) Variational relevance vector machines. In: Boutilier C, Goldzmidt M (eds) Uncertainty in artificial intelligence. Morgan Kaufmann, California, pp 46–53
22.
Tipping ME (2001) Sparse bayesian learning and the relevance vector machine. J Mach Leran Res 1(3):211–244MathSciNetMATH
23.
Kullback S (1959) Information theory and statistics. Wiley, New YorkMATH
24.
25.
Martens H, Martens M (2001) Multivariate analysis of quality: an introduction. Wiley, New York
26.
Subrahmanya N, Shin YC (2008) Automated sensor selection and fusion for monitoring and diagnostics of plunge grinding. J Manufact Sci Eng Trans ASME 130(3):031014CrossRef
27.
Liu Q, Dinu I, Adewale AJ, Potter JD, Yasui Y (2007) Comparative evaluation of gene-set analysis methods. BMC Bioinformatics 8:431CrossRef
Metadaten
Titel
A variational Bayesian framework for group feature selection
verfasst von
Niranjan Subrahmanya
Yung C. Shin
Publikationsdatum
01.12.2013
Verlag
Springer Berlin Heidelberg
Erschienen in
International Journal of Machine Learning and Cybernetics / Ausgabe 6/2013
Print ISSN: 1868-8071
Elektronische ISSN: 1868-808X
DOI
https://doi.org/10.1007/s13042-012-0121-9

Weitere Artikel der Ausgabe 6/2013

International Journal of Machine Learning and Cybernetics 6/2013 Zur Ausgabe

Original Article

Automatic non-interactive matting of dynamic targets in complex video using Graph Cuts

Original Article

Face hallucination using example-based regularization

Original Article

On rule acquisition in decision formal contexts

Original Article

Principal component analysis using QR decomposition

Original Article

Fuzzy rough set models over two universes

Original Article

Properties of two types of covering-based rough sets

Neuer Inhalt

    Bildnachweise