A high-dimensional feature selection method based on multiobjective evolutionary algorithm with multilayer search strategy for imbalanced multiclass data

Kai Fu

doi:10.1016/j.eswa.2026.133004

A high-dimensional feature selection method based on multiobjective evolutionary algorithm with multilayer search strategy for imbalanced multiclass data

2026-09-29

0

PRE

AI

DOI：10.1016/j.eswa.2026.133004

原文链接

原文求助

摘要

En 中文

进化算法（EAs）已作为一种有效的特征选择（FS）解决方案出现。然而，现实世界中常见的高维数据集与类别不平衡问题持续对基于EA的FS方法构成重大挑战。在多类分类场景中，不平衡问题尤为复杂，高效的FS方法仍然稀缺。为解决这些问题，本文提出了一种基于多层搜索策略（MLS-MOEA）的多目标进化特征选择算法。所提出的方法整合了结构感知的特征分组与多层搜索机制，以提高搜索效率同时保持所选特征子集的质量。具体而言，采用特征聚类以缩减搜索空间，并在聚类和特征层面应用协同搜索策略。此外，融入了标签感知的进化机制，以更好地保留与少数类相关的特征。所提方法的有效性在多个高维不平衡基准数据集和一个真实工业数据集上进行了评估。实验结果表明，MLS-MOEA在大多数数据集的多目标指标和分类性能方面，与七种最先进的进化特征选择方法相比达到了竞争性或更优的性能。这些结果表明，将聚类和多层搜索整合到多目标进化框架中，可以成为高维不平衡多类场景下特征选择的有用策略。

Keyword:

High-dimensional feature selection

Multiobjective evolutionary algorithm

Multilayer search

Imbalanced data

Multiclass classification

A high-dimensional feature selection method based on multiobjective evolutionary algorithm with multilayer search strategy for imbalanced multiclass data

摘要

期刊

机构

引用论文