本文提出了一种称为 CIBer 的新技术，该技术能够克服朴素贝叶斯方法带来的挑战并实现特征的最优分区，我们在不同的数据集上清楚地展示了我们技术的有效性，在比如随机森林和 XGBoost 等模型中，我们实现了更低的误差率和更高或相等的准确性。

Apr, 2023

本文回顾了特征选择领域内应用最广的方法，重点关注其精度和误检探测率随着样本数量增加的表现，并对比了常用的 Lasso 正则化方法以外，不太为人所知的非凸罚函数方法。通过实证分析，我们发现整数规划方案及其布尔松弛具有更优的性能表现，但相应的计算成本也更高。考虑到准确率、假检率和计算时间等综合评估因素，本文揭示了一些不同的特征选择方案，为相关领域的研究提供了参考依据。

Feb, 2019

本文研究了如何通过改进 two-naive-Bayes（2NB）算法，进而将之推广到 N-naive-Bayes（NNB）算法，从而得出一种基于多个敏感特征的差异公平性约束条件，并对其进行了实证研究。

Feb, 2022

对于最近提出的使用朴素贝叶斯分类器对垃圾邮件进行过滤的方法进行了彻底评估。该研究发现，在考虑属性集大小、训练语料库大小、词形还原和停用词等因素对分类器的性能产生的影响后，需要更多的安全措施才能使得朴素贝叶斯反垃圾邮件过滤器在实践中可行。

Jun, 2000

贝叶斯分类器在网络入侵的异常检测中表现良好，但在现实世界的应用中，当每个特征完全独立于其他特征时并不总是成立。本研究旨在实现和比较贝叶斯分类器的每个变种（多项式、伯努利和高斯）在网络入侵异常检测中的性能，并探究每个变种假设与其性能之间是否存在关联。实验结果表明，伯努利分类器的测试准确率为 69.9%（训练准确率为 71%），多项式分类器的测试准确率为 31.2%（训练准确率为 31.2%），而高斯分类器的测试准确率为 81.69%（训练准确率为 82.84%）。进一步调查发现，每个朴素贝叶斯变种的性能和准确率主要取决于其分类器的假设，高斯分类器在异常检测中表现最佳，因为它假设特征服从连续的正态分布，而多项式分类器的性能非常差，因为它仅假设离散和多项分布。

Aug, 2023

本研究提出了在 Fisher-EM 算法的 loading matrix 中引入稀疏性以选择区分变量的方法，用于聚类高维数据，并在模拟和实际数据集上进行了实验比较。同时，还展示了这种方法在火星高光谱图像分割方面的应用。

Apr, 2012

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

本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

Nov, 2014

本研究介绍了一种名为贪婪特征选择的用于分类任务的特征排序新方法，并通过理论和数值测试探究了该方法在模型容量指标以及预测活动太阳的地球有效表现问题上的好处。

Mar, 2024

本研究提出了一种利用稀疏正则化方法进行特征选择的神经网络扩展方法，比传统方法更为高效且可用于任何现有结构，同时能够直接应用于神经元修剪和光谱数据的重要区域选择。

Jul, 2020