多目标特征选择的紧凑型 NSGA-II

Feb, 2024

Compact NSGA-II for Multi-objective Feature Selection

Sevil Zanjani Miyandoab, Shahryar Rahnamayan, Azam Asilian Bidgoli

TL;DR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。

Abstract

feature selection is an expensive challenging task in machine learning and data mining aimed at removing irrelevant and redundant features. This contributes to an improvement in classification accuracy, as well a

feature selection classification accuracy minimizing features compact nsga-ii multi-objective optimization

发现论文，激发创造

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

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

基于遗传算法的带有噪声标签的二元分类问题中的特征选择优化

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

多视角特征选择的多目标遗传算法

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

基于量子支持向量机的新型特征选择方法

本研究提出了一种新颖的方法，量子支持向量机特征选择（QSVMF），将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现：最大化分类准确性，最小化选定特征和量子电路成本，并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择，将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明，QSVMF 取得了卓越的性能。此外，QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡，识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力，尤其是在处理复杂的真实世界数据时。

Nov, 2023

公平特征选择：多目标遗传算法比较

该研究论文研究了公平分类中的特征选择问题，通过比较两种基于遗传算法的多目标优化方法，即帕累托支配型遗传算法和词典优化型遗传算法，发现词典优化型遗传算法在提升准确性的同时，不降低分类器的公平性，为公平分类研究指明了一条有前景的新方向。

Oct, 2023

NSGA-II 算法的运行时分析：多目标问题的低效性证明、量化与解释

本文使用数学运行时分析严格证明和量化了 NSGA-II 算法在多目标问题中呈现的困难现象，并表明在计算拥挤距离时，不同目标被视为独立。

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

非支配排序遗传算法 III（NSGA-III）的数学运行时分析

本文提供了 NSGA-III 的第一次数学运行时间分析，证明该算法对于 3 目标问题能够计算完整的 Pareto 前沿，远远优于 NSGA-II。

Nov, 2022

利用替代特征选择找到最佳的多样特征集

特征选择是一种流行的方法，可以获得小型、可解释且高度准确的预测模型。本文介绍了一种名为 “替代特征选择” 的方法，并将其形式化为一个优化问题。我们定义了替代特征集合的约束条件，并允许用户控制替代特征的数量和差异性。进一步分析了该优化问题的复杂性并证明了其 NP-hardness。最后，我们使用 30 个分类数据集评估了替代特征选择的效果，并观察到替代特征集合可能具有较高的预测质量，并分析了影响这一结果的几个因素。

Jul, 2023