Boruta
PulseAugur coverage of Boruta — every cluster mentioning Boruta across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Boruta基因选择方法的性能受树深度的影响
一篇新研究论文探讨了Boruta基因选择方法中树深度设置对RNA-Seq数据分类的影响。研究发现，限制树深度（一种常见做法）会显著改变基因选择，并降低所得基因面板的准确性。研究人员建议使用无上限的树或基于实际深度的上限，并结合类内质量过滤器，以提高Boruta的性能。
-
AI研究确定了高效网络攻击检测的关键指标
研究人员开发了一种使用自然可见图（NVGs）提高网络攻击检测效率的方法。通过分析从NVGs派生的21个拓扑指标，他们发现使用其中一小部分指标可以保持高分类准确性，同时显著降低计算成本。研究发现，最重要的三个指标是avg_clustering_coeff_median、avg_clustering_coeff_std和avg_clustering_coeff_mean，当与CICIDS2018数据集上的CNN分类器结合使用时，与使用所有…
-
GraphFAS系统为欺诈检测自动化图特征选择
一个名为GraphFAS的新系统已被开发出来，用于自动化图特征的生成和选择，该系统专门为工业交易网络设计。该系统通过提供可解释的结构特征和鲁棒的特征选择，解决了传统专家手工特征和端到端图神经网络（GNNs）的局限性。GraphFAS已部署在支付宝，与现有方法相比，在工程效率和性能方面取得了显著的改进。
-
新方法增强了针对不同人群和噪声数据的鲁棒特征选择
两篇新研究论文介绍了鲁棒特征选择的两种新方法。第一种方法 PopFS 通过平衡整体预测效益与对服务不足群体的保护来优化不同人群的特征收集，并在多个数据集和一项 COVID-19 实时预测研究中证明了其有效性。第二篇论文提出了一种基于假设检验的方法，该方法将特征选择置于理论基础上，通过可靠地恢复真实信号并提供统计上合理的标准，在模拟和实际应用中优于 Boruta 和 RFE 等现有方法。
-
强化学习优化特征选择以实现稳定的生物标志物发现
研究人员开发了StackFeat-RL，一个用于高维基因组数据特征选择的新型元学习框架。该方法利用强化学习，特别是REINFORCE策略梯度，来优化迭代双标准特征选择算法。双标准确保了系数一致性和选择频率，旨在实现生物标志物发现的准确性、稀疏性和稳定性。