A Distributed Feature Selection Approach Based on Granular Computing Technique

Yashuang Mu

doi:10.1109/tpds.2026.3743572

A Distributed Feature Selection Approach Based on Granular Computing Technique

2026-10-19

0

PRE

AI

DOI：10.1109/tpds.2026.3743572

原文链接

原文求助

摘要

En 中文

特征选择在机器学习和数据分析中发挥着关键作用。其主要目标是通过识别相关的特征子集来提高分类精度并降低计算成本。许多特征选择方法在小规模或中等规模数据集上表现出鲁棒性能，但由于串行方法和单处理器环境的限制，其可扩展性和效率在更复杂的数据集上受限。受此启发，我们提出了一种基于粒计算技术的分布式特征选择方法。首先，采用自适应信息粒化方法对原始数据进行处理以提取粒化特征。然后，基于相关性和冗余性准则建立粒计算的特征选择方法。此外，在Map-Reduce架构下开发了分布式特征选择方法，以适应分布式计算环境。相关实验结果表明，该方法在多个基准数据集的特征选择任务中具有可行性、有效性和分布式能力。

Keyword:

Distributed algorithm

information granulation

feature selection

relevance and redundancy criterion

A Distributed Feature Selection Approach Based on Granular Computing Technique

摘要

期刊

机构

引用论文