Nov, 2022

一种元启发式多目标交互感知特征选择方法

PDF
TL;DR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。
multi-objective feature selectionclassification performancemetaheuristic optimization methodsinteraction between featurespareto archived evolution strategy (paes)
发现论文，激发创造
  • 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

  • 网络入侵检测中注重检测率的多目标进化特征选择

    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

  • 多目标特征选择的紧凑型 NSGA-II

    特征选择是机器学习和数据挖掘中的一项复杂任务，其目标是去除无关和多余的特征，以提高分类准确性和减少内存需求。我们提出了一种多目标二进制优化算法 Compact NSGA-II，通过紧凑表示将种群视为概率分布，从而减少适应度评估次数，有效地探索搜索空间并在有限预算内表现出更高的效率。该算法是首个用于特征选择的紧凑多目标算法，并在五个数据集上的昂贵优化案例中取得了比 NSGA-II 更好的性能表现。

    Feb, 2024

  • 探索多目标特征关联的解释性

    通过在农业环境中使用多标签来设计目标特定的特征交互方案，以寻找最佳特征组合，本研究提出了一种与全局敏感性分析相结合的特征解释方法，可在多目标预测中实现组合优化，初步实验结果表明基于解释的方法能够在较少迭代次数内找到减少病原体存在的特征组合。

    Feb, 2024

  • 黑盒单目标连续优化算法自动选择使用的元特征调查

    通过对单目标连续黑箱优化领域的算法选择的关键贡献进行概述，我们介绍了在优化问题实例、算法实例及其交互的元特征表示学习方面的正在进行的工作，并研究了用于自动算法选择、配置和性能预测的机器学习模型，通过这些分析，我们发现了现有技术的不足之处，并提出了进一步发展元特征表示的思路。

    Jun, 2024

  • 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

  • 利用替代特征选择找到最佳的多样特征集

    特征选择是一种流行的方法，可以获得小型、可解释且高度准确的预测模型。本文介绍了一种名为 “替代特征选择” 的方法，并将其形式化为一个优化问题。我们定义了替代特征集合的约束条件，并允许用户控制替代特征的数量和差异性。进一步分析了该优化问题的复杂性并证明了其 NP-hardness。最后，我们使用 30 个分类数据集评估了替代特征选择的效果，并观察到替代特征集合可能具有较高的预测质量，并分析了影响这一结果的几个因素。

    Jul, 2023

  • 公平特征选择：多目标遗传算法比较

    该研究论文研究了公平分类中的特征选择问题，通过比较两种基于遗传算法的多目标优化方法，即帕累托支配型遗传算法和词典优化型遗传算法，发现词典优化型遗传算法在提升准确性的同时，不降低分类器的公平性，为公平分类研究指明了一条有前景的新方向。

    Oct, 2023

  • 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

  • 多视角特征选择的多目标遗传算法

    本文提出一种基于遗传算法的多视图多目标特征选择方法，并针对多视图数据的分类任务，取得了优于其他方法的性能和解释性表现。

    May, 2023