A Surrogate-Assisted Multi-Phase Ensemble Feature Selection Algorithm With Particle Swarm Optimization in Imbalanced Data

doi:10.1109/TETCI.2025.3548786

A Surrogate-Assisted Multi-Phase Ensemble Feature Selection Algorithm With Particle Swarm Optimization in Imbalanced Data

0

PRE

AI

DOI：10.1109/TETCI.2025.3548786

原文链接

原文求助

摘要

En 中文

基于进化算法（EA）的特征选择是一种有效的降维技术。然而，现有EA在处理高维不平衡类别数据时仍受限于高计算成本和易陷入局部收敛的问题。为此，提出了一种基于代理的粒子群优化多阶段集成特征选择算法（SMEFS-PSO），该算法结合了过滤式特征选择方法、代理辅助EA和局部搜索策略的优势。在SMEFS-PSO的第一阶段，采用集成过滤式特征选择方法快速去除不相关和弱相关特征。接着，为降低冗余特征的识别成本，在第二阶段开发了代理辅助PSO算法。然后，在第三阶段引入了一种精心设计的问题特定局部搜索策略以增强局部搜索能力。此外，开发了一种基于边界分布的代表样本选择策略，用于构建整个数据的代理模型。对于多数类，选择类边界样本和中心样本作为代表样本；而对于少数类，采用过采样方法选择代表样本。不平衡数据处理过程被有效地整合到代理构建中，这不仅解决了类别不平衡问题，也显著降低了第二阶段的运行成本。最后，将SMEFS-PSO与9种最新特征选择算法在16个基准问题上进行比较。实验结果表明，SMEFS-PSO在处理高维不平衡特征选择问题时，以更低的计算成本实现了更优的分类性能。

Keyword:

Particle swarm optimization

evolutionary computation

feature selection

surrogate

A Surrogate-Assisted Multi-Phase Ensemble Feature Selection Algorithm With Particle Swarm Optimization in Imbalanced Data

摘要

期刊

机构

引用论文