本文提出了一种新的基于特征选择和集成学习技术的入侵检测框架，使用 NSL-KDD、AWID 和 CIC-IDS2017 数据集进行实验证明，CFS-BA-Ensemble 方法在多个指标下具有更优越的性能。

Apr, 2019

本研究提出了基于稀疏自动特征选择 (SAFS) 框架的异常模式检测方法，该方法能够通过特征驱动的几率比的稀疏性编码系统性的预测结果偏差，具有可用性强和可在不同异常检测技术中使用的优点。而基于此技术检测的结果也已经在公共卫生数据集中得到验证，并证实相比于多个基线方法具备了更好的特征选择和检测性能。

Jan, 2022

本研究提出了 DR-MOFS，将网络入侵检测中的特征选择问题建模为一个三目标优化问题，通过使用多目标进化算法同时优化特征数量、准确率和检测率，实验结果表明，该方法在大多数情况下优于以前的方法，即减少特征数量，提高准确率和检测率。

Jun, 2024

LSTM 网络在多目标进化算法的支持下，通过分区优化权重和偏差，构建非优势预测模型集合进行元模型构建，并提供属性重要性确定的方法，实验证明优于现有方法。

Dec, 2023

通过理论分析和实证研究，我们发现在处理超越分布数据的机器学习任务中，利用多样的偶然特征进行加权模型集成可以显著提高整体的超越分布泛化性能，而不同于传统观点所认为的学习不变特征的方法。此外，我们提出了一种名为 BAlaNced averaGing (BANG) 的方法，可以有效修复原有方法 WiSE-FT 在超越分布情况下的过度自信问题，进一步提升其超越分布性能。

Sep, 2023

通过将离散特征子集转换为连续嵌入空间优化的方法，我们提出了一种新的深度可微特征选择任务，实现了一种通用和原则性的框架，该框架包括深度特征子集编码器，准确性评估器，解码器和梯度上升优化器。

Feb, 2023

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

使用 JOint 特征选择和任务优化算法，本文提出了一种子采样任务范式来解决数据驱动的任务特定实验设计和种群范围内的监督特征选择问题，并在定量 MRI 和高光谱成像等临床相关应用中证明了其优越性。

Oct, 2022

本文提出了一种名为 DeDES 的新型数据无关多样性算法，以解决机器学习模型市场中想要在无需数据的情况下使用集成学习来改善模型性能时，模型选择问题的存在。实验结果表明，该算法在不同数据集和模型结构下，可以同时实现更好的性能和更高的效率。

Feb, 2023

我们研究了一种新颖的集成方法，用于处理非稳态和样本有限、特征数量庞大的特征选择问题。通过利用特征之间的相互依赖关系，我们提出的层次结构方法克服了传统特征选择方法和特征重要性评分的局限性，并在合成和实际数据集上展示了可伸缩性和稳定性方面的改进性能。

Oct, 2023