特征筛选与选择的交互式学习

May, 2016

Interaction Pursuit with Feature Screening and Selection

Yingying Fan, Yinfei Kong, Daoji Li, Jinchi Lv

TL;DR本文提出了一种被称为交互追踪（IP）的有效和灵活的程序，用于在超高维度下识别交互作用，其屏蔽交互作用和主效应的新特征筛选方法以及使用正则化方法在减少特征空间中选择重要交互作用和主效应，我们对其进行了理论上的讨论并证明了适用于交互作用和主效应，其具有将被筛选的确信性以及在选择中具有奥拉克不等式等性质。

Abstract

Understanding how features interact with each other is of paramount importance in many scientific discoveries and contemporary applications. Yet interaction identification becomes challenging even for a moderate number of covariates. In this paper, we suggest an efficient and flexible

interaction identification feature screening regularization methods sure screening property oracle inequalities

发现论文，激发创造

基于距离相关性的高维多响应回归交互追踪

本文提出了一种高维多响应交互模型的特征筛选和特征选择方法 ——IPDC，该方法通过应用距离相关性转换变量来识别特征交互，并在特征选择中使用，具有计算效率高、适用范围广、理论性能良好等优点。在多个仿真和实际数据分析中证明了该方法的有效性。

May, 2016

高维非线性分类创新交互筛选

本文介绍了一种名为 IIS-SQDA 的方法，该方法通过屏蔽重要交互作用并同时进行分类来解决高维度线性分类问题，并通过 QDA 的系数向量建立了一个稀疏不等式来证明我们的分类方法具有很好的性能。

Jan, 2015

寻找连续特征之间的显著交互

针对高维数据中基因或医疗领域的高阶特征交互寻求对应分类变量的可靠统计关系，作者提出了能有效提高统计能力的算法，通过一种新的统计方法处理高维数据，并取得了成功应用。

Feb, 2017

使用 backtracking 对高维数据中的交互进行建模

本论文研究了高维回归问题中存在交互变量的情况，引入了一种名为 Backtracking 的新方法，可解决使用稀疏性惩罚函数（如 Lasso）产生可解释模型过程中的计算效率问题，并在回归和分类问题的模拟和真实数据集上进行了实证分析。

Aug, 2012

大规模学习分层互动：凸优化方法

提出了一种基于凸松弛和近端梯度下降的高度可扩展算法，该算法采用了新的筛选规则和专门的激活集策略，能够处理具有密集设计矩阵的问题，并在预测和变量选择方面优于当前技术水平。

Feb, 2019

特征选择：关于属性间合作的视角

研究高维数据集中的特征选择方法及其发展，包括单变量相关性排名算法、关联 - 冗余折衷和基于多变量依赖性的方法，并总结文献中各种方法的贡献，同时介绍当前的问题和挑战，以确定未来的研究和发展方向。

Jun, 2023

为推荐系统检测有效特征交互

利用图神经网络方法和基于 L0 激活正则化的边缘预测技术，自动检测有益于提升推荐准确性的特征交互作用，取得了比现有方法更好的准确性表现。

Aug, 2020

核相互作用技巧：高维度中成对交互的贝叶斯快速发现

本文介绍了一种新的基于高斯过程的贝叶斯方法，能够通过使用 O（p）内核超参数来捕获后验概率，从而实现运行时间和内存直接线性相关，并且通过实验表明其在各种协变量行为的数据集上相对于现有贝叶斯和 LASSO 方法具有更好的计算缩放和错误率。

May, 2019

高维普通最小二乘投影筛选变量

提出了一种名为高维 OLS 投影（HOLP）的新型筛选技术，该技术在无需强相关性假设的情况下，具有保证筛选性能和一致的变量选择，并具有较低的计算复杂度。

Jun, 2015

交互筛选：高效和样本最优学习 Ising 模型

提出了一种新的，具有物理解释的统计估计量来学习未知 Ising 模型的基础图，该估计量使用凸优化计算速度快，并且在适当的正则化下，可以以对数的速度回复基础图。

May, 2016