基于图的多类分类自动特征选择通过均值简化轮廓

Sep, 2023

基于图的多类分类自动特征选择通过均值简化轮廓

Graph-Based Automatic Feature Selection for Multi-Class Classification via Mean Simplified Silhouette

David Levin, Gonen Singer

TL;DR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%。

Abstract

This paper introduces a novel graph-based filter method for automatic feature selection (abbreviated as GB-AFS) for multi-class classification tasks. The method determines the minimum combination of features requ

graph-based filter method automatic feature selection multi-class classification jeffries-matusita distance t-distributed stochastic neighbor embedding

发现论文，激发创造

无模型特征选择以促进表格数据中发现不同子组

该论文提出了一个面向数据的 AI 框架，可以自动选择重要特征，实现自动发现不同的数据子组并提高检测性能。通过在 MIMIC-III 和 Allstate Claims 公开数据集上的验证，该框架比现有的六种特征选择方法减少了 81 倍和 104 倍的特征选择时间，并实现了有竞争力的检测性能。

Mar, 2022

AFS：一种基于注意力机制的监督特征选择方法

本研究提出了一种新颖的神经网络特征选择体系结构，称为基于注意力机制的特征选择（AFS），它包括两个可分离的模块：特征权重生成的注意力模块和问题建模的学习模块。通过实验结果，AFS 在与多种最先进的特征选择算法的比较中表现出最佳的精度和稳定性。

Feb, 2019

A-SFS：基于多任务自监督的半监督特征选择

通过引入基于深度学习的自监督机制，提出了一种批量注意力自监督特征选择（A-SFS）方法，该方法利用多任务自监督自编码器发现特征之间的隐藏结构，并通过批量注意力机制生成特征权重，以减少少量有噪音数据的影响。与 14 种主要的算法进行比较，实验结果表明，该方法在大多数数据集中具有最高的准确性，并且在降低对标签的依赖，并且对于噪声和丢失数据最具有鲁棒性。

Jul, 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

基于块模型引导的无监督特征选择

该研究提出了一种基于图驱动的无监督特征选择方法 BMGUFS，首先构建一个块模型用于发现特征空间中实例的高阶关系，然后根据块模型找到合适子集特征以达到聚类性能最优。

Jul, 2020

AFS-BM：通过二进制掩码实现自适应特征选择提升模型性能

我们研究了机器学习中一个非常关键的问题，即特征选择，针对该问题存在的挑战，我们提出了一种叫做 “自适应特征选择与二进制掩蔽” 的方法，该方法通过联合优化实现了同时进行特征选择和模型训练，并能够在训练过程中动态地适应特征的重要性变化，从而显著提高了模型的准确性并减少了计算需求。

Jan, 2024

特征子集选择算法自动推荐方法

本文提出了一种基于元学习的特征子集选择算法自动推荐方法，通过多个性能指标综合评估候选 FSS 算法的性能，利用 k 近邻分类算法识别相似数据集，从中筛选出表现最佳的 FSS 算法，出色地解决了选择合适 FSS 算法的问题。

Feb, 2014

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

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

自适应合作相关学习基于半监督多标签特征选择

提出了一种基于自适应协同相关学习的半监督多标签特征选择方法（Access-MFS），用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题，并通过引入广义回归模型和扩展的不相关约束，在标记数据中选择具有区分性但无关的特征，并同时保持预测和实际标签之间的一致性，从而适应性地学习样本相似性图和标签相似性图，以提高特征选择性能。大量实验结果表明，所提出的 Access-MFS 方法优于其他最先进方法。

Jun, 2024