提出了一种基于神经网络的特征选择方法，同时考虑了类别区分和聚类结构保持，在典型分类问题和高光谱图像带选取中都展示了其有效性。

Jul, 2023

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

本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

Nov, 2014

我们探讨基于潜在目标的数据点选择在实际情境中普遍存在，这一选择过程常常扭曲统计分析。然而，我们认为该选择不仅仅是一种偏差，而是提供了深入了解隐藏生成过程的机会。因此，我们研究了选择在顺序数据中的因果结构，并证明了其可识别性，同时提出了一种算法来检测和识别选择结构以及其他类型的依赖关系。

Jun, 2024

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

该研究提出了一种学习方法，通过稀疏最小二乘拟合和非凸 l1-l2 稀疏优化解决器来鉴定结构动力系统，该方法基于科学工程中的自动模型选择应用，研究了少样本和噪声空时数据的识别问题。

May, 2023

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

本研究介绍了一种基于自编码器回归和组稀疏任务的无监督特征选择方法 AEFS，能够更灵活地选取高维数据中最重要的特征，实验结果表明该方法优于现有的方法。

Oct, 2017

该研究论文探讨了离散生成模型的结构学习或发现，并侧重于贝叶斯模型选择和训练数据的吸收，特别关注数据摄入的顺序。基于预期自由能，将先验放置在模型选择上是关键之一。通过在 MNIST 数据集上进行图像分类以及在具有动力学的模型发现问题上的测试，展示了该方案的基本思想。在这些示例中，通过自主学习生成模型来恢复（即解开）潜在状态的因素结构及其特征路径或动力学。

Nov, 2023

本文提出了一种新的学习范式，以自动从非常高的维度中识别出信息丰富且相关的特征组。通过利用相关度量作为约束条件，我们提出了一种有效的嵌入式特征选择方法，可以识别出最优的有区分性而且不相关的特征子集，即所谓的支持特征。在学习过程中，还可以发现与每个支持特征相关联的相关特征的基础组结构，即附属特征，而不需要任何额外成本。 在合成和高维真实世界数据集上的广泛实证研究验证了所提出的方法的有效性和效率。

Jun, 2012