Adaptive mixed mutation for unsupervised feature selection using differential evolution

Xuechen Mu

doi:10.1016/j.neucom.2026.133807

Adaptive mixed mutation for unsupervised feature selection using differential evolution

2026-05-06

0

PRE

AI

DOI：10.1016/j.neucom.2026.133807

原文链接

原文求助

摘要

En 中文

随着大数据可用性的增长，在大规模无标签数据集中识别相关信息变得越来越重要。无监督特征选择方法在不依赖标签数据的情况下应对这一挑战，但标签的缺失往往阻碍了它们发现信息性特征子集的能力。为克服这一局限性，我们提出了AMUSE，一种基于差分进化（DE）的新型算法，该算法整合了自适应混合变异策略和辅助模块，并结合多指标适应度函数，以增强解的多样性并发现更有前景的特征子集。首先，我们通过引入来自交叉空间的“局部最优”元素来增强三种现有变异策略，替换随机成分，从而提高高质量解的连续性。这些增强策略与包含“全局最优”元素的五种现有变异策略共同形成一个候选池，从中自适应地选择和加权变异策略。通过应用余弦相似度和可变衰减因子，我们创建了一种保持低相关性和高多样性的混合变异策略。接下来，我们引入一个辅助模块，评估新生成的混合变异策略是否优于其前身，动态调整交叉概率（）以保留更有前景的解。这种数据驱动的调整在变异空间中保持高多样性，增加了识别更优特征子集的可能性。此外，我们设计了一个整合多指标适应度函数，以有效将AMUSE应用于无监督特征选择场景。我们在50个UCI数据集上进行了广泛的实验，将AMUSE与22种现有算法进行比较，这些算法涵盖基于稀疏、基于相似性和基于进化的方法。结果表明，AMUSE始终能产生更有效的特征子集，特别是在二元分类任务中。对生成特征子集多样性的深入分析进一步支持了我们的主张。源代码可在https://github.com/Mxc666/AMUSE.git公开获取。

Keyword:

Unsupervised feature selection

Differential Evolution

Adaptive mixed mutation

Feature subset selection

Fitness function

Adaptive mixed mutation for unsupervised feature selection using differential evolution

摘要

期刊

机构

引用论文