通过引入基于深度学习的自监督机制，提出了一种批量注意力自监督特征选择（A-SFS）方法，该方法利用多任务自监督自编码器发现特征之间的隐藏结构，并通过批量注意力机制生成特征权重，以减少少量有噪音数据的影响。与 14 种主要的算法进行比较，实验结果表明，该方法在大多数数据集中具有最高的准确性，并且在降低对标签的依赖，并且对于噪声和丢失数据最具有鲁棒性。

Jul, 2022

通过选择最具信息量的特征并消除无关的特征，我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS，该方法能够在大型数据集上有效地降低计算成本，而且性能优于其他最先进的特征选择方法。

Jan, 2024

本研究提出了基于自适应分类的在线稀疏特征流式选择方法 (OS2FS-AC)，通过潜在因子分析 (LFA) 预估缺失数据，将特征划分为强相关、弱相关和不相关三类，并将其中的弱相关特征进一步进行信息分割，实验证明该方法在真实数据集上的表现优于现有算法。

Feb, 2023

该论文介绍了一种用于多类别分类的自动特征选择的新型基于图的滤波方法（缩写为 GB-AFS），它确定了在维持预测性能的同时保持不同类别之间互补判别能力的最小特征组合。该方法不需要任何用户定义的参数，如要选择的特征数量。该方法使用 Jeffries-Matusita (JM) 距离结合 t 分布随机邻域嵌入（t-SNE）生成反映每个特征能够在每对类别之间区分性的低维空间。采用我们新开发的用于特征选择任务的平均简化 Silhouette (MSS) 指数选择最小特征数量，该指数旨在评估特征选择任务的聚类结果。在公开数据集上的实验结果表明，所提出的 GB-AFS 方法优于其他基于滤波的技术和自动特征选择方法的性能。此外，所提出的算法在仅使用特征的 7% 到 30% 的情况下保持了达到的准确性，从而将分类所需的时间减少了 15% 到 70%。

Sep, 2023

多视角特征选择（MvFS）是一个选择推荐系统中信息性特征的方法，通过使用一个多视角网络并采用独立的重要性评分策略，以更加均衡的方式选择特征，解决了传统方法中易受主要特征偏倚的问题，实验证明其相较于现有方法具有更高的效果。

Sep, 2023

研究如何在自动化特征选择中平衡有效性和效率。通过提出一个新的交互式增强特征选择框架，将特征选择问题形式化为交互式强化学习框架，该框架通过自我探索经验及多元化外部技术指导训练器，从而加速学习。此外，该研究利用多种不同搜索策略进行训练，并提出了一种混合教学策略来帮助智能体学习更广泛的知识。最后，对真实世界数据集进行广泛实验以展示该方法的性能改进。

Aug, 2020

该论文提出了一个面向数据的 AI 框架，可以自动选择重要特征，实现自动发现不同的数据子组并提高检测性能。通过在 MIMIC-III 和 Allstate Claims 公开数据集上的验证，该框架比现有的六种特征选择方法减少了 81 倍和 104 倍的特征选择时间，并实现了有竞争力的检测性能。

Mar, 2022

本文比较了不同算法在特征选择方面的效果，结果表明 PCA、Rough PCA、USQR 和 EDR 算法能够快速筛选出对数据分类最相关的特征。

Jun, 2013

本文提出了一种自适应选择重要特征字段的 AutoML 框架，该框架设计了一个可微的控制器网络，通过自动调整选择特定特征字段的概率来重新训练深度推荐模型，实验证明了该框架的有效性。

Apr, 2022

提出了一种基于自适应协同相关学习的半监督多标签特征选择方法（Access-MFS），用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题，并通过引入广义回归模型和扩展的不相关约束，在标记数据中选择具有区分性但无关的特征，并同时保持预测和实际标签之间的一致性，从而适应性地学习样本相似性图和标签相似性图，以提高特征选择性能。大量实验结果表明，所提出的 Access-MFS 方法优于其他最先进方法。

Jun, 2024