Мінімаксні підходи для відбору ознак
Вантажиться...
Файли
Дата
Автори
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
У роботі розглядаються мінімаксні підходи до відбору ознак у задачах інтелектуального аналізу даних.
The paper considers minimax approaches to feature selection in data mining tasks. The main existing feature selection methods, including filter, wrapper, and embedded approaches, are analyzed, and their limitations under noise, structural heterogeneity, and distribution shift are identified. Special attention is paid to the minimax formulation of the feature selection problem, where not the average model risk but the maximum error over a set of scenarios is optimized. It is shown that such an approach can improve model robustness, reduce the impact of spurious features, and enhance performance in worst-case situations.
The paper considers minimax approaches to feature selection in data mining tasks. The main existing feature selection methods, including filter, wrapper, and embedded approaches, are analyzed, and their limitations under noise, structural heterogeneity, and distribution shift are identified. Special attention is paid to the minimax formulation of the feature selection problem, where not the average model risk but the maximum error over a set of scenarios is optimized. It is shown that such an approach can improve model robustness, reduce the impact of spurious features, and enhance performance in worst-case situations.
Опис
Ключові слова
відбір ознак , мінімаксна апроксимація , інтелектуальний аналіз даних , найгірший випадок , оптимізаціяAbstractThe paper considers minimax approaches to feature selection in data mining tasks The main existing feature selection , feature selection , minimax approximation , data mining , worst-case optimizationВступУ сучасних задачах інтелектуального аналізу даних та машинного навчання одним із ключовихетапів побудови ефективних моделей є відбір ознак (feature selection) У багатьох прикладних галузях
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Кривошея М. І. Мінімаксні підходи для відбору ознак // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28216.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (4)
- Swaroop M., Krishnamurti T., Wilder B. Distributionally Robust Feature Selection // arXiv preprint. [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/2510.21113 (дата звернення: 12.03.2026).
- Quinzan F., Soleymani A., Jaillet P., Bauer S. Doubly Robust Causal Feature Selection // arXiv preprint. [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/2306.07024 (дата звернення: 12.03.2026).
- Ahadzadeh B., Abdar M., Safara F., Khosravi A., Menhaj M., Suganthan P. SFE: A Simple, Fast and Efficient Feature Selection Algorithm for High-Dimensional Data // arXiv preprint. [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/2303.10182 (дата звернення: 12.03.2026).
- Kuhn D., Esfahani P. Distributionally Robust Optimization: A Review // Acta Numerica. 2025. Vol. 34. [Електронний ресурс] – Режим доступу: https://www.cambridge.org/core/journals/acta-numerica/article/distributionally-robustoptimization/5B4E65E3A5A2AEF24E218A6B34E6EAA2 (дата звернення: 12.03.2026).