Feb, 2024

EasyFS: 一种通过特征的弹性转换进行高效的无模型特征选择框架

PDF
TL;DR通过弹性扩展和压缩特征的易于特征选择框架（EasyFS），以实现比现有的模型感知方法更好的性能，同时与现有的无模型方法共享效率和灵活性特点。
feature selectionmodel-free methodsinterrelationshipseasyfsefficiency
发现论文，激发创造
  • 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

  • MvFS: 多视图特征选择推荐系统

    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

  • SFE：一种简单、快速、有效的高维数据特征选择算法

    本文提出了一种名为 SFE 的新的高维数据集特征选择算法，包括探索和开发两个阶段，在其中使用两个操作符进行搜索，有选择性和无选择性，成功地从高维数据集中选择特征。

    Mar, 2023

  • 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

  • 无监督特征选择方法的性能分析

    本文比较了不同算法在特征选择方面的效果，结果表明 PCA、Rough PCA、USQR 和 EDR 算法能够快速筛选出对数据分类最相关的特征。

    Jun, 2013

  • 面向分解马尔可夫决策问题的高效特征选择

    本研究提出了一种基于特征选择的探索型算法，可在学习马尔可夫决策过程时自动选择必要的特征，并证明在某些假设条件下，其样本复杂度随必要特征动力学入度的增加而缩小，这可以在必要特征的入度小于所有特征的入度时获得更好的样本复杂度。

    Mar, 2017

  • 基于信息论的物联网环境下的联邦多标签特征选择

    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

  • 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

  • 梯度提升特征选择

    本研究提出了一种名为梯度提升特征选择 (GBFS) 的新型特征选择算法，该算法可可靠地提取相关特征，能够识别非线性特征相互作用，与特征和维度的数量线性缩放，并允许纳入已知的稀疏结构，并在多个真实世界的数据集上进行了评估，表现出强大的性能，比其他现有的特征选择算法具有更好的扩展性和适应性。

    Jan, 2019

  • 端到端语音翻译的自适应特征选择

    本文介绍了自适应特征选择（AFS）来优化基于编码器 - 解码器的端到端语音翻译，实验表明， 使用 AFS 来稀疏语音特征可以提高翻译效果，降低模型计算复杂度，并与级联基线模型相比取得了更好的性能，在 LibriSpeech En-Fr 上的 BLEU 分数达到了 18.56。

    Oct, 2020