Mar, 2023

SFE：一种简单、快速、有效的高维数据特征选择算法

PDF
TL;DR本文提出了一种名为 SFE 的新的高维数据集特征选择算法，包括探索和开发两个阶段，在其中使用两个操作符进行搜索，有选择性和无选择性，成功地从高维数据集中选择特征。
feature selectionhigh-dimensional datasetssfe algorithmexploration phaseexploitation phase
发现论文，激发创造
  • 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

  • 一种用于机器学习中的高维数据集的基于对比的特征选择算法

    通过选择最具信息量的特征并消除无关的特征，我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS，该方法能够在大型数据集上有效地降低计算成本，而且性能优于其他最先进的特征选择方法。

    Jan, 2024

  • 无监督特征选择方法的性能分析

    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

  • 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

  • EasyFS: 一种通过特征的弹性转换进行高效的无模型特征选择框架

    通过弹性扩展和压缩特征的易于特征选择框架（EasyFS），以实现比现有的模型感知方法更好的性能，同时与现有的无模型方法共享效率和灵活性特点。

    Feb, 2024

  • 梯度提升特征选择

    本研究提出了一种名为梯度提升特征选择 (GBFS) 的新型特征选择算法，该算法可可靠地提取相关特征，能够识别非线性特征相互作用，与特征和维度的数量线性缩放，并允许纳入已知的稀疏结构，并在多个真实世界的数据集上进行了评估，表现出强大的性能，比其他现有的特征选择算法具有更好的扩展性和适应性。

    Jan, 2019

  • 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

  • 顺序特征解释用于异常检测

    研究了针对异常检测系统的序列特征解释（SFEs）计算和评估问题，提出了一个评估框架和新的解释方法，并通过真实数据集和仿真专家进行了大规模的定量评估来提高那些考虑了分析师努力的解释质量。

    Feb, 2015

  • 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

  • 基于自编码器的无监督特征选择

    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