DRCFS：双重稳健因果特征选择

Jun, 2023

DRCFS: Doubly Robust Causal Feature Selection

Francesco Quinzan, Ashkan Soleymani, Patrik Jaillet, Cristian R. Rojas, Stefan Bauer

TL;DRDRCFS 是一种具有理论保证的双重稳健特征选择方法，可用于确定复杂系统中与目标变量高度相关的因果特征，特别是针对非线性和高维问题。

Abstract

Knowing the features of a complex system that are highly relevant to a particular target variable is of fundamental interest in many areas of science. Existing approaches are often limited to linear settings, sometimes lack guarantees, and in most cases, do not scale to the problem at

complex system feature selection nonlinear settings causal features theoretical guarantees

发现论文，激发创造

3DCFS: 基于耦合特征选择的快速、鲁棒联合三维语义实例分割

提出了一种名为 3DCFS 的新型快速坚固的 3D 点云分割框架通过耦合特征选择，以联合执行语义和实例分割，并通过耦合特征选择模块 CFSM 自适应选择和融合两个任务中的互惠语义和实例特征来进一步提高实例分割任务的性能。

Mar, 2020

公平因果特征选择

提出了一种公平的因果特征选择算法，使用类特定的互信息评估每个类属性状态所包含的因果信息，以公正地确定每个类状态的因果特征。

Jun, 2023

联邦设置下的因果多标签特征选择

在分散设置中，本文研究了因果多标签特征选择的挑战性问题，并提出了一个包含三个新颖子程序的分散因果多标签特征选择 (FedCMFS) 算法，能够在不集中数据的情况下保持数据隐私，实现对相关特征的选择和移除，为分散设置中的因果多标签特征选择提供了一种有效的方法。

Mar, 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

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

使用多数据因果发现选择机器学习应用的稳健特征

通过提出多数据因果特征选择方法，该方法利用 Tigramite Python 包实现的 PC1 或 PCMCI 因果发现算法，对多个时间序列数据集进行处理，过滤出有因果关系和值得关注的变量进行输入，从而有效地预测了西太平洋热带气旋的统计强度。

Apr, 2023

共形递归特征消除

提出了基于置信度预测的递归特征消除方法，命名为 CRFE，该方法在多类别数据集上通过多次数据分区的比较，表现出优于传统 RFE 方法的性能，并提供有效和非冗余特征的子集而无需计算任何分类性能。

May, 2024

一种嵌入式特征选择控制框架

通过分析真实和虚拟世界中深度强化学习的响应，Dual-world embedded Attentive Feature Selection (D-AFS) 能够为动态控制下的系统高效选择相关的传感器，进而实现传感器选择最优化，通过在气动力学问题上的实际测试，该方法成功优化了 5 个探针布局，表明其在实验或工业系统的传感器优化方面具有广泛的应用前景。

Jun, 2022

CFSNet: 面向图像恢复的可控特征空间

通过深度学习和交互式框架，我们提出了 Controllable Feature Space Network (CFSNet)，可以控制图像的重构结果，实现图像的去噪、保留细节和提高感知质量的平衡

Apr, 2019

功能数据分类的特征选择

该论文介绍了一种名为 FSFC（适用于功能分类的特征选择）的新方法，它解决了在具有分类响应和纵向特征的情况下同时执行特征选择和功能数据分类的挑战。通过集成逻辑损失和功能特征来识别分类的最重要特征，该方法利用功能主成分和自适应版增广拉格朗日算法解决了最小化过程，实现了高维数据的高效处理，并且在计算时间和分类准确率方面优于其他机器学习和深度学习方法。

Jan, 2024