- 特征选择作为深度顺序生成学习
我们提出了一种深度序列生成学习方法来进行特征选择，该方法通过学习连续嵌入空间，将特征选择决策序列映射为与效用分数相关的嵌入向量，从而解决了传统方法中存在的离散搜索空间和专家特定超参数的问题。
- 间接参数化具体自编码器
通过间接参数化的 CAE 模型 (IP-CAEs)，在特征选择方面取得了显著而一致的改进，在多个数据集上能够更好地实现重建和分类的泛化能力和训练时间。
- 基于语言模型的特征选择方法 ICE-SEARCH
该研究提出了 In-Context Evolutionary Search (ICE-SEARCH) 方法，将语言模型与进化算法相结合，用于特征选择任务，并证明其在医学预测分析应用中的有效性。ICE-SEARCH 利用语言模型内在的交叉和变 - 基于正交约束和多边形面积的特征选择
本研究提出了一种新颖的正交回归模型，结合多边形的面积，以直观地捕捉特征与标签之间的区分性依赖，并采用混合非单调线性搜索方法来高效处理正交约束带来的非凸优化挑战，实验结果表明，这种方法不仅可以有效捕捉区分性依赖信息，而且在降低特征维度和提高分 - 一种以对数生存全局搜索驱动的生物医学蛇优化系统用于特征选择优化及其在疾病识别中的应用
通过采用机器学习技术自动预测病人情况，提高医疗实践的重要性。特征选择是一种用于修改数据、降低数据集维度、增强分类结果的工具。在相应数据集中，Tournament Logarithmic Snake Optimizer 在实验中达到了最佳准确 - 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 - 基于灰狼优化器的增强教学学习优化模型在文本特征选择和聚类中的应用
利用 Teaching-Learning-Based Optimization、Grey Wolf Optimizer 和 Genetic Algorithm 等算法的 TLBO-GWO 过滤特征选择算法可显著提升文本聚类技术 (K-mea - 使用堆叠自编码器进行特征选择的勒索软件检测
提出并评估一种结合堆叠自编码器（SAE）进行精确特征选择和长短期记忆（LSTM）分类器以提高勒索软件分层准确性的先进勒索软件检测和分类方法。
- 分析和死亡预测：用于老年 2 型糖尿病患者的多类别分类
为了管理糖尿病而设计适当的治疗计划，医务人员需关注患者剩余寿命以及影响其健康的合并症。本文研究了 65 岁及以上的美国退伍军人中 2 型糖尿病老年患者的 68 个潜在死亡预测因素的结构化数据集，通过组合两个原始目标变量构建了一个新的目标变量 - MM基于机器学习的无线定位中的复杂度简化：最小描述特征
本研究通过设计一种位置神经网络（P-NN），结合最大功率测量和时间位置，减少了深度学习的复杂度，实现了性能和复杂度之间的优势平衡。
- MEL：高维特征选择的高效多任务进化学习
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 - 通过离散化和特征选择实现对表格数据的可解释分类器
用一种基于布尔分类器生成的方法，从表格数据中计算出既能直接理解，又准确的分类器。通过先将原始数据离散化为布尔形式，然后结合特征选择和一个非常快速的算法来生成最佳的布尔分类器。在 14 个实验中展示了该方法，其结果的准确性主要与随机森林、XG - 结直肠癌风险预测模型特征选择的比较研究
针对结直肠癌，评估了多种特征排序算法在一组风险预测模型中的性能，通过标量稳定性度量和一种可视化方法评估其稳定性，与专家提供的特征进行了比较分析，并发现了与专家知识相一致的最相关特征。
- 一种评估特征选择和排序算法稳定性的信息论方法
特征选择是处理高维数据时的关键步骤，本文提出了一种基于 Jensen Shannon 散度的信息论方法来衡量算法的稳定性，该方法能够适用于不同的算法输出结果，并具备校正变化、上下界和确定性选择条件等优良特性。通过在控制条件下生成的数据和与其 - 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
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。
- 一个混合 IndRNNLSTM 方法用于软件定义网络中的实时异常检测
使用数据流预测进行的 SDN 异常检测是一项困难的任务，本文提出的 IndRNNLSTM 算法结合嵌入式特征选择模型在 NSL-KDD 数据上取得 MAE=1.22 和 RMSE=9.92 的结果。
- 使用逻辑回归进行特征选择的实验
在监督式机器学习中，特征选择扮演着非常重要的角色，可以通过计算时间和精确度等指标来提高可解释性和性能。本文研究了一种基于逻辑回归（LR）的著名 L1 和 L2 正则化策略的特征选择方法，并综合了 L1 和 L2 正则化的发现，在 CIC-I - 朴素贝叶斯分类的变量选择
我们提出了一种稀疏版本的朴素贝叶斯分类器，考虑到协变量的相关性，可以使用不同的性能度量来选择特征，并且可以包括对高度相关的组的性能约束。研究结果表明，与其他特征选择方法相比，所提出的稀疏朴素贝叶斯分类器在准确性、稀疏性和运行时间方面都具有竞 - 在模糊规则二元分类中应用迭代特征选择
基于模糊规则的二分类算法中，通过迭代特征选择和基于双聚类的规则挖掘，构建了一种特征选择框架，并使用自适应增强和加权平均构建了强分类器，实验结果表明该算法能取得良好的分类性能并超越同行方法。
- 特征选择的二进制特征掩码优化
我们提出了一个新颖的框架，通过考虑模型的预测结果来选择特征。我们使用一种新颖的特征屏蔽方法，在选择过程中消除特征，而不是完全从数据集中删除它们，从而可以在特征选择过程中继续使用同一 ML 模型。我们通过 ML 模型的预测结果获得屏蔽运算符，