Adaptive collaborative correlation learning-based semi-supervised multi-label feature selection

Yang, Li

doi:10.1016/j.patcog.2026.114176

Adaptive collaborative correlation learning-based semi-supervised multi-label feature selection

2026-09-29

0

PRE

AI

DOI：10.1016/j.patcog.2026.114176

原文链接

原文求助

摘要

En 中文

半监督多标签特征选择最近被开发用于解决高维多标签数据中存在标签缺失样本时的维度灾难问题。尽管已有很多研究，但现有方法大多采用预定义图方法来捕捉样本相似性或标签相关性。这种方式下，原始特征空间中的噪声和离群点会降低样本相似性图的可靠性。此外，预定义图方法由于存在未知标签而无法精确描述标签相关性。而且，这些方法主要关注所选特征的判别能力，而忽略了其冗余性。在本文中，我们提出了一种基于自适应协同相关性学习的半监督多标签特征选择方法（Access-MFS）来解决这些问题。具体而言，我们开发了一种带有扩展无关性约束的广义回归模型，用于选择判别性降低冗余的特征，同时保持标记实例的预测标签与真实标签一致。在此框架中，样本相似性和标签相关性被自适应学习，使样本相似性图和标签相似性图在整个优化过程中协同优化。联合学习的图保留了样本的局部关系，鼓励相似样本具有相似标签，同时促进强相关标签之间的一致预测。我们设计了一种高效的算法来解决所提出的优化模型，并分析了其收敛性和复杂度。广泛的实验结果表明，所提出的Access-MFS方法优于其他最先进的方法。

Keyword:

Feature selection

Semi-supervised multi-label learning

Generalized regression model

Adaptive similarity graph learning

Adaptive collaborative correlation learning-based semi-supervised multi-label feature selection

摘要

期刊

机构

引用论文