MEL：高维特征选择的高效多任务进化学习

Feb, 2024

MEL：高维特征选择的高效多任务进化学习

MEL: Efficient Multi-Task Evolutionary Learning for High-Dimensional Feature Selection

Xubin Wang, Haojiong Shangguan, Fengyi Huang, Shangrui Wu, Weijia Jia

TL;DR该研究提出了一种名为 PSO-based Multi-task Evolutionary Learning（MEL）的新方法，通过利用多任务学习来提升特征选择的学习能力和效率，并在 22 个高维数据集上进行了广泛实验，与其他 24 种进化计算方法进行对比，表现出强大的竞争力。

Abstract

feature selection is a crucial step in data mining to enhance model performance by reducing data dimensionality. However, the increasing dimensionality of collected data exacerbates the challenge known as the "curse of dimensionality", where computation grows exponentially with the num

feature selection evolutionary computational multi-task learning pso-based high-dimensional datasets

发现论文，激发创造

一种元启发式多目标交互感知特征选择方法

本研究利用改进的 PAES 方法，采用高级概率方案以及一种新策略，较之现有的 state-of-the-art 的方法在多个真实数据集上显著提高了多目标特征选择的性能，并在探索解决方案的速度和可靠性方面取得了优异的表现。

Nov, 2022

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

嵌入式特征选择在 LSTM 网络中的多目标进化集成学习用于时间序列预测

LSTM 网络在多目标进化算法的支持下，通过分区优化权重和偏差，构建非优势预测模型集合进行元模型构建，并提供属性重要性确定的方法，实验证明优于现有方法。

Dec, 2023

进化动态优化与机器学习

这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究，旨在激发进化学习社区的兴趣并在该领域激发创新贡献。

Oct, 2023

多目标二进制坐标搜索特征选择

为解决大规模特征选择问题，本文提出了一种新的二元多目标坐标搜索（MOCS）算法，该算法在真实世界的大规模数据集上展现出显著的优越性，并且比 NSGA-II 算法更快速、更高效地解决特征选择问题。

Feb, 2024

特征选择的快速遗传算法 —— 一种定性近似方法

本文提出了一种两阶段的辅助代理进化方法，用于解决在大型数据集的封装设置中使用遗传算法进行特征选择时产生的计算问题。通过构建轻量级的定性元模型通过主动选择数据实例进行特征选择任务，并在遗传算法 CHC 的基础上应用该过程来创建定性近似变体 CHCQX。实验证明，CHCQX 对于包含超过 100K 个实例的大型数据集收敛速度更快且准确度更高。此外，我们还展示了我们的方法在粒子群优化（PSO）方法的定性逼近适应中的适用性，该方法属于进化计算（EC）范式的另一个分支，相关结果可在 GitHub 上找到完整的实现。

Apr, 2024

认知进化学习用于推荐系统的特征交互选择

特征交互选择是商业推荐系统中的一个基本问题。本文提出了一种新颖的 Cognitive EvoLutionary Learning (CELL) 框架，该框架受到自然有机体的进化和功能启发，通过进化选择适应性操作、特征和交互，从而实现对不同任务和数据的自适应演化，显著优于现有基准模型。

May, 2024

多目标特征选择的紧凑型 NSGA-II

特征选择是机器学习和数据挖掘中的一项复杂任务，其目标是去除无关和多余的特征，以提高分类准确性和减少内存需求。我们提出了一种多目标二进制优化算法 Compact NSGA-II，通过紧凑表示将种群视为概率分布，从而减少适应度评估次数，有效地探索搜索空间并在有限预算内表现出更高的效率。该算法是首个用于特征选择的紧凑多目标算法，并在五个数据集上的昂贵优化案例中取得了比 NSGA-II 更好的性能表现。

Feb, 2024

基于排名学习和本地模型的进化算法解决高维昂贵多目标问题

提出了一种基于分类器辅助排名学习和局部模型的多目标进化算法 (CLMEA)，它用于高维昂贵的多目标优化问题，实验结果表明该算法在基准问题和地热储层热采优化实施方面显示出优秀的性能，相对于现有的基于替代模型的多目标进化算法具有更好的性能。

Apr, 2023

大规模多任务学习系统中动态引入任务的进化方法

本文提出了一种基于进化的技术，能够生成能够支持动态添加新任务的大规模多任务模型，并演示了该方法在 69 个公共图像分类任务上取得了有竞争力的结果，相对于在公共数据上训练的最佳模型，其错误率降低了 15%。

May, 2022