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

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

本研究提出了一种原创方法，通过后处理和可视化来支持数据科学家解释和比较 MOFS 结果，从而帮助其选择最佳特征子集。

Nov, 2023

本文提出一种基于遗传算法的多视图多目标特征选择方法，并针对多视图数据的分类任务，取得了优于其他方法的性能和解释性表现。

May, 2023

本文提出了两种基于不可满足性的算法，即核引导多目标组合优化解算器和命中集多目标组合优化解算器，实验证明这些算法可以优于现有的基于 SAT 的算法。

Apr, 2022

本研究提出了 DR-MOFS，将网络入侵检测中的特征选择问题建模为一个三目标优化问题，通过使用多目标进化算法同时优化特征数量、准确率和检测率，实验结果表明，该方法在大多数情况下优于以前的方法，即减少特征数量，提高准确率和检测率。

Jun, 2024

DOSA-MO 是一种新型的多目标优化封装算法，它通过学习原始估计、其方差以及解集大小如何预测过度估计，并调整期望值以在优化期间改进解集的组成，验证表明 DOSA-MO 基于三个转录组数据集对肾癌和乳腺癌进行生物标志物识别改进了基于遗传算法的最新研究在预测癌症亚型和 / 或患者总存活率时的性能。

Dec, 2023

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。

Feb, 2024

在带有噪声标签的情况下，我们提出了一种新颖的基于遗传算法的方法，即噪声感知多目标特征选择遗传算法（NMFS-GA），用于在具有噪声标签的二分类问题中选择最优特征子集。我们在合成数据集、具有噪声特征的乳腺癌数据集以及用于痴呆转化预测的现实世界 ADNI 数据集上评估了 NMFS-GA。结果表明，NMFS-GA 能够在具有噪声标签的情况下有效选择改善二分类器准确性和可解释性的特征子集。

Jan, 2024

通过对单目标连续黑箱优化领域的算法选择的关键贡献进行概述，我们介绍了在优化问题实例、算法实例及其交互的元特征表示学习方面的正在进行的工作，并研究了用于自动算法选择、配置和性能预测的机器学习模型，通过这些分析，我们发现了现有技术的不足之处，并提出了进一步发展元特征表示的思路。

Jun, 2024