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

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

用变分分布构建了一种信息理论框架，生成互信息的下界，是一种优化特征选择的方法，实验表明该方法在信息理论特征选择中表现出色。

Jun, 2016

本文介绍了第一个针对物联网环境中分布式多标签数据集合的联合多标签特征选择方法 FMLFS，通过对边缘服务器上的度量的聚合和 Pareto 双目标策略以及拥挤距离策略，将排序后的特征返回给物联网设备，评估结果表明 FMLFS 在性能、时间复杂度和通信成本等方面优于其他五个可比较的方法。

May, 2024

本文提出了一种通过增加独特关联系统来改善高维数据集下特征选择的方法，并提出了两个方案来评估独特关联性。实验结果表明，提出的方法可以在减少特征数量的同时提高分类性能，其对分类器性能的依赖性相对较低。

Dec, 2022

本研究提出了一种新颖的方法，量子支持向量机特征选择（QSVMF），将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现：最大化分类准确性，最小化选定特征和量子电路成本，并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择，将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明，QSVMF 取得了卓越的性能。此外，QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡，识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力，尤其是在处理复杂的真实世界数据时。

Nov, 2023

该论文介绍了一种用于多类别分类的自动特征选择的新型基于图的滤波方法（缩写为 GB-AFS），它确定了在维持预测性能的同时保持不同类别之间互补判别能力的最小特征组合。该方法不需要任何用户定义的参数，如要选择的特征数量。该方法使用 Jeffries-Matusita (JM) 距离结合 t 分布随机邻域嵌入（t-SNE）生成反映每个特征能够在每对类别之间区分性的低维空间。采用我们新开发的用于特征选择任务的平均简化 Silhouette (MSS) 指数选择最小特征数量，该指数旨在评估特征选择任务的聚类结果。在公开数据集上的实验结果表明，所提出的 GB-AFS 方法优于其他基于滤波的技术和自动特征选择方法的性能。此外，所提出的算法在仅使用特征的 7% 到 30% 的情况下保持了达到的准确性，从而将分类所需的时间减少了 15% 到 70%。

Sep, 2023

该论文提出了一种基于无监督学习的特征选择方法，将最大间隔准则和基于稀疏性的模型整合到一个联合框架中，将类间间距和特征相关性同时考虑，通过将 Kmeans 嵌入框架中来生成伪类标签，从提取特征系数矩阵的稀疏结构来有效去除噪声和无关特征，并提出了一种收敛保证的算法以迭代地寻找最优解，对六个基准数据集进行了广泛的性能评估，实验结果表明，该方法的性能优于所有其他对比方法。

Jun, 2015

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。

May, 2023

使用积分概率度量方法 (IPMs)，提出了一种新的特征选择框架，通过探索特征之间的类条件分布之间的距离，从而直接挖掘特征的判别信息，实验结果表明该框架在分类准确性和抗扰动性方面优于现有方法。

Jan, 2024