May, 2023

基于随机森林多轮筛选的超高维多类别数据特征空间降维方法（RFMS）

PDF
TL;DR本研究提出了一种名为基于随机森林多轮筛选 (RFMS) 的新方法，它可以有效地应用于多通道生物特征数据的身份验证问题，并在许多方面具有行业标准特征筛选方法的优势。
ultrahigh-dimensional datamultichannel biometric datarandom forest-based multiround screeningpartial model buildsfeature space
发现论文，激发创造
  • 高维小样本分类的随机森林差异性

    使用经学习的预计算支持向量机核函数的随机森林相似度度量，我们通过对 40 个高维低样本量分类数据集进行实验证明了该方法在大多数高维低样本量问题上优于现有方法，并且在低维非高维低样本量问题上仍然具有很强的竞争力。

    Oct, 2023

  • 随机森林的森林地面可视化

    提出了一种名为 Forest Floor 的可视化方法，用于解释 random forest 模型，通过使用特征的贡献值和降维投影的方法，能够准确识别模型的交互作用及局部细节。

    May, 2016

  • 健康应用中的相关特征与向量机

    该研究介绍了一种新颖的模型 RFVM（相关特征向量机），用于解决在处理临床前瞻性研究时的大数据问题。实验证明，RFVM 能够在准确分类的同时提供最紧凑的数据子集。

    Feb, 2024

  • 网络安全入侵检测系统中可解释性与效率的特征降维方法比较

    该研究探讨了在网络数据采集基础上，采用机器学习和深度学习方法，结合三种特征选择技术去构建出更快，更易解释，更准确的入侵检测系统，结果显示 Bat 算法得到了最高效的结果。

    Mar, 2023

  • 递归特征机器的特征缩放

    本研究通过对回归数据集的一系列实验研究，探讨了一种新型核机器 —— 递归特征机的行为，发现与神经网络行为类似的双下降现象表现，揭示了 RFMs 和神经网络行为之间的新联系，为未来的研究打下了基础。

    Mar, 2023

  • 基于 Sentinel-2 多光谱影像的高效树冠覆盖估计特征选择

    本文利用多光谱随机森林分类器结合适宜的特征选择算法和掩模技术，在城市地区估计树木覆盖率，结果显示在拉合尔管理科学学院的 82 英亩区域内，该方法优于传统的随机森林分类器和 ESA WorldCover 10m 2020 等最新技术。

    May, 2023

  • 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

  • 线性递归特征机器可证明恢复低秩矩阵

    神经网络在绕过维度灾难的同时能够准确预测的基础是对特征学习的隐式维度缩减过程的理解，本文提出了递归特征机（RFM）作为一种能够显式地执行特征学习的算法，并且在稀疏线性回归等问题中展示了其维度缩减能力和优于标准算法的性能。

    Jan, 2024

  • MVMR-FS：基于最大类间差异和最小冗余的非参数特征选择算法

    基于最大类间差异和最小冗余的非参数特征选择算法 (MVMR-FS)，通过引入监督和无监督的核密度估计，利用概率分布反映特征相关性和冗余性，在十种最先进方法中取得最高平均准确率，并提高 5% 至 11% 的准确率。

    Jul, 2023

  • 通过多样性感知交互式强化学习实现的自动特征选择

    研究如何在自动化特征选择中平衡有效性和效率。通过提出一个新的交互式增强特征选择框架，将特征选择问题形式化为交互式强化学习框架，该框架通过自我探索经验及多元化外部技术指导训练器，从而加速学习。此外，该研究利用多种不同搜索策略进行训练，并提出了一种混合教学策略来帮助智能体学习更广泛的知识。最后，对真实世界数据集进行广泛实验以展示该方法的性能改进。

    Aug, 2020