Oct, 2022

使用联合特征选择和任务优化的实验设计范式

PDF
TL;DR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。
experiment designsupervised feature selectiontask optimizationquantitative mrihyperspectral imaging
发现论文，激发创造
  • 嵌入特征选择的离群点检测集成

    提出了一种嵌入特征选择的异常检测集成框架 (ODEFS)，通过成对排名使特征选择和异常检测融合，使用阈值自适应学习同时优化特征选择和样例选择，设计了一个交替算法解决优化问题，分析了该框架的泛化误差界限，实验结果表明 ODEFS 的优越性。

    Jan, 2020

  • 实现多目标特征选择可解释性的数据科学流程

    本研究提出了一种原创方法，通过后处理和可视化来支持数据科学家解释和比较 MOFS 结果，从而帮助其选择最佳特征子集。

    Nov, 2023

  • 一种元启发式多目标交互感知特征选择方法

    本研究利用改进的 PAES 方法，采用高级概率方案以及一种新策略，较之现有的 state-of-the-art 的方法在多个真实数据集上显著提高了多目标特征选择的性能，并在探索解决方案的速度和可靠性方面取得了优异的表现。

    Nov, 2022

  • 多目标二进制坐标搜索特征选择

    为解决大规模特征选择问题，本文提出了一种新的二元多目标坐标搜索（MOCS）算法，该算法在真实世界的大规模数据集上展现出显著的优越性，并且比 NSGA-II 算法更快速、更高效地解决特征选择问题。

    Feb, 2024

  • 数据中心的 AI：利用离散子集作为连续嵌入空间优化的深度生成可微特征选择

    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

  • 基于汤普森采样的联邦贝叶斯优化

    本文提出联邦 Thompson 采样（FTS）方法，将贝叶斯优化扩展到联邦学习环境中，以协作方式解决黑盒优化问题，用随机傅里叶特征来逼近高斯过程代理模型，采用 Thompson 采样的方式来降低交换的参数数量，并提供了一个理论保证。实验表明 FTS 有效地解决了沟通效率、计算效率和实际性能等问题。

    Oct, 2020

  • 多任务学习中的稀疏重叠集合 Lasso 及其在 fMRI 分析中的应用

    本文提出了一种新的过程叫稀疏重叠集 (SOS) Lasso，是一种自动选择相关学习任务的类似特征的凸优化方法，其解决了多任务学习中特征选择的问题，特别是在多主题 fMRI 研究中具有应用价值。

    Nov, 2013

  • MEL：高维特征选择的高效多任务进化学习

    该研究提出了一种名为 PSO-based Multi-task Evolutionary Learning（MEL）的新方法，通过利用多任务学习来提升特征选择的学习能力和效率，并在 22 个高维数据集上进行了广泛实验，与其他 24 种进化计算方法进行对比，表现出强大的竞争力。

    Feb, 2024

  • 在线稀疏流特征选择使用调整分类

    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

  • 面向分解马尔可夫决策问题的高效特征选择

    本研究提出了一种基于特征选择的探索型算法，可在学习马尔可夫决策过程时自动选择必要的特征，并证明在某些假设条件下，其样本复杂度随必要特征动力学入度的增加而缩小，这可以在必要特征的入度小于所有特征的入度时获得更好的样本复杂度。

    Mar, 2017