.png){kind=icon}
返回
A fuzzy-autoencoder-based evolutionary multiobjective algorithm for high-dimensional feature selection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134786.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维数据集通常包含大量无关或冗余特征，可能导致过拟合和计算复杂度增加。在多数情况下，特征选择可提高分类精度并降低特征维度，因此可视为多目标优化问题。近年来，多目标进化算法（MOEAs）在多目标特征选择任务中表现出良好性能。然而，面对高维噪声数据时其性能往往下降。为解决这些挑战，本文提出一种基于模糊自编码器的进化算法（FAE-MOEA），用于多目标特征选择。该方法结合模糊理论与自编码器模型，有效抑制数据噪声并进一步提升特征重要性的判别能力。具体而言，我们采用互信息结合k-means对特征相关性进行分类，利用直觉模糊集处理不确定性，并通过配备评估层的自编码器提取特征重要性。此外，为加速优化过程并提取更优特征子集，FAE-MOEA基于特征重要性与个体重要性初始化引导矩阵，并利用该矩阵引导种群进化。相应地，设计了两个关键算子和更新策略，以在每次迭代中有效指导进化搜索过程。在十二个高维数据集上的实验结果表明，所提算法在保留子集维度和分类性能方面显著优于现有算法。
Keyword:
Evolutionary algorithm
Feature selection
Autoencoder
Fuzzy set
Multiobjective optimization
