고차원 데이터의 그룹 특성 랭킹·선택을 위한 차원축소 기반 중요도 추정 연구

Dimension Reduction–Based Feature Ranking and Selection for Group Features in High-Dimensional Data

연구 내용

고차원 데이터에서 그룹 단위 중요도를 산출하고 희소하게 선택하기 위해 Relief로 비관련 특성을 제거한 뒤 Fisher 선형판별분석과 Random Forest 중요도 추정을 결합하는 연구

고차원 입력에서 그룹 단위 특성의 상대적 중요도를 동시에 제공하는 방법을 연구합니다. 그룹별로 Relief를 적용해 비관련 개별 특성을 정리하고, 각 그룹의 정보를 Fisher linear discriminant analysis로 단일 차원 표현으로 요약합니다. 이후 Random forest 기반 중요도 산정 또는 permutation 절차로 그룹의 상대적 랭킹을 계산하여 희소한 선택 결과를 도출합니다. 분류 성능과 함께 모든 그룹의 우선순위를 제공하는 점을 차별성으로 확보하고 있습니다.

관련 프로젝트

0건

연구 흐름

초기에는 고차원 데이터에서 그룹 특성의 불필요성을 줄이기 위해 Relief 기반 정리와 Fisher linear discriminant analysis로 그룹 차원을 축소하는 절차를 정립했습니다. 이후 그룹 특성 전체에 대한 상대적 중요도와 랭킹을 제공하기 위해 Random forest 기반 중요도 추정, permutation 기반 상대 중요도 계산을 확장했습니다. 이후 멀티클래스 환경에서 기존 group lasso 계열과의 비교를 통해 선택 안정성과 성능을 검증하는 방향으로 심화했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

고차원 분류용 피처 랭킹
그룹 단위 희소 특성 선택
차원 축소 기반 전처리 지침
모델 복잡도 감소
특성 중요도 기반 해석 보조
마이크로어레이 멀티클래스 분석
SVM 및 트리계열 분류 파이프라인
데이터 마이닝 의사결정 가속
유전자·바이오 특성 그룹 우선순위
비교가능한 그룹 피처 평가