多视角特征选择（MvFS）是一个选择推荐系统中信息性特征的方法，通过使用一个多视角网络并采用独立的重要性评分策略，以更加均衡的方式选择特征，解决了传统方法中易受主要特征偏倚的问题，实验证明其相较于现有方法具有更高的效果。

Sep, 2023

在带有噪声标签的情况下，我们提出了一种新颖的基于遗传算法的方法，即噪声感知多目标特征选择遗传算法（NMFS-GA），用于在具有噪声标签的二分类问题中选择最优特征子集。我们在合成数据集、具有噪声特征的乳腺癌数据集以及用于痴呆转化预测的现实世界 ADNI 数据集上评估了 NMFS-GA。结果表明，NMFS-GA 能够在具有噪声标签的情况下有效选择改善二分类器准确性和可解释性的特征子集。

Jan, 2024

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

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

本文提出了一种名为多视角机器（MVM）的通用预测器，其可以有效地包括多个视图中特征之间的所有可能交互，并嵌入联合分解以实现参数稀疏估计。通过与其他方法进行比较，我们进一步说明了 MVM 的优势，包括支持向量机（SVM）、支持张量机（STMs）和因子机（FMs）等多视角分类任务。同时我们还提出了一个用于学习 MVM 模型的随机梯度下降方法。

Jun, 2015

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

本文提出了一种新型的多视角聚类网络和结构导向对比学习模块，称为全局和跨视角特征聚合多视角聚类（GCFAggMVC），通过跨样本和跨视野特征聚合获得来自多视角的共识数据表达式，并通过结构引导对比学习模块将共识表达式和视角特定表达式对齐，从而实现对不同样本的视角特定表达式进行对比，从而对完整和不完整的多视角数据聚类任务均获得了良好的性能。

May, 2023

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

一种基于可解释的 Takagi-Sugeno-Kang 模糊系统的多视图模糊表示学习方法被提出，该方法从两个方面实现多视图表示学习：将多视图数据转化为高维模糊特征空间，并同时探索视图之间的共同信息和每个视图的特定信息；基于 L_(2,1)-norm 回归的新的正则化方法被提出以挖掘视图之间的一致性信息，并通过拉普拉斯图保持数据的几何结构；通过对多个基准多视图数据集进行广泛实验验证了该方法的优越性。

Sep, 2023

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