Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

A many-objective simultaneous feature selection and discretization for LCS-based gesture recognition

Otis Martin J.-D. et Vandewynckel Julien. (2021). A many-objective simultaneous feature selection and discretization for LCS-based gesture recognition. Applied Sciences, 11, (21), p. 9787.

[thumbnail of A Many-Objective Simultaneous Feature Selection and Discretization for LCS-Based Gesture Recognition.pdf]
Prévisualisation
PDF - Version publiée
Disponible sous licence Creative Commons (CC-BY 2.5).

811kB

URL officielle: http://dx.doi.org/doi:10.3390/app11219787

Résumé

Discretization and feature selection are two relevant techniques for dimensionality reduction. The first one aims to transform a set of continuous attributes into discrete ones, and the second removes the irrelevant and redundant features; these two methods often lead to be more specific and concise data. In this paper, we propose to simultaneously deal with optimal feature subset selection, discretization, and classifier parameter tuning. As an illustration, the proposed problem formulation has been addressed using a constrained many-objective optimization algorithm based on dominance and decomposition (C-MOEA/DD) and a limited-memory implementation of the warping longest common subsequence algorithm (WarpingLCSS). In addition, the discretization sub-problem has been addressed using a variable-length representation, along with a variable-length crossover, to overcome the need of specifying the number of elements defining the discretization scheme in advance. We conduct experiments on a real-world benchmark dataset; compare two discretization criteria as discretization objective, namely Ameva and ur-CAIM; and analyze recognition performance and reduction capabilities. Our results show that our approach outperforms previous reported results by up to 11% and achieves an average feature reduction rate of 80%.

Type de document:Article publié dans une revue avec comité d'évaluation
Volume:11
Numéro:21
Pages:p. 9787
Version évaluée par les pairs:Oui
Date:20 Octobre 2021
Sujets:Sciences naturelles et génie > Génie
Sciences naturelles et génie > Génie > Génie informatique et génie logiciel
Sciences naturelles et génie > Sciences appliquées
Département, module, service et unité de recherche:Départements et modules > Département des sciences appliquées > Module d'ingénierie
Unités de recherche > Laboratoire d’automatique et de robotique interactive (LAR.i)
Mots-clés:many-objective optimization, evolutionary computation, discretization, feature selection, variable-length problem, longest common subsequence, optimisation à plusieurs objectifs, calcul évolutif, discrétisation, sélection de caractéristiques, problème de longueur variable, plus longue sous-séquence commune
Déposé le:27 oct. 2021 00:20
Dernière modification:27 oct. 2021 00:20
Afficher les statistiques de telechargements

Éditer le document (administrateurs uniquement)

Creative Commons LicenseSauf indication contraire, les documents archivés dans Constellation sont rendus disponibles selon les termes de la licence Creative Commons "Paternité, pas d'utilisation commerciale, pas de modification" 2.5 Canada.

Bibliothèque Paul-Émile-Boulet, UQAC
555, boulevard de l'Université
Chicoutimi (Québec)  CANADA G7H 2B1
418 545-5011, poste 5630