.png){kind=icon}
返回
FeatureX: An explainable feature selection for deep learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127675.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择通过降低特征集的维度来理解特征的重要性，这对深度学习模型的性能至关重要。现有技术主要关注不同特征的统计特性，这使得它们因复杂的数学推理而难以理解。此外，特征选择可能受模型偏好影响，导致可解释性不足。为解决这一问题，本文提出了一种有效的方法——FeatureX，通过定量评估获得最优特征子集并增强特征选择过程的可解释性。首先，FeatureX提出重要性分析，利用特征扰动量化每个特征对深度学习模型的贡献。其次，为缓解多重共线性，FeatureX采用统计分析计算这些特征的相关系数，并基于相关系数的大小移除冗余特征。最后，结合特征贡献和相关系数，FeatureX自动筛选特征，识别最相关且高贡献的特征。基于现有研究和数据先验知识，FeatureX预设相关参数值，并通过参数敏感性分析验证其有效性。FeatureX在17个公开数据集和5种基础深度学习模型上进行评估。实验结果表明，FeatureX可将特征数量平均减少47.83%，且63.33%的深度学习模型精度得到提升。此外，与现有特征选择技术相比，FeatureX将F-measure平均提高1.61%，证明了其有效性。
Keyword:
Deep learning
Feature selection
Explainability
Importance analysis
Feature perturbation
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Comparison of feature importance measures as explanations for classification models特征重要性度量作为分类模型解释的比较
OAAI
OAAI分享收藏A Novel Autoencoder-Based Feature Selection Method for Drug-Target Interaction Prediction with Human-Interpretable Feature WeightsSymmetry
OAAI
SymmetryIF0
OAAI分享收藏
查看更多内容