Beyond tabular data: Feature extraction and selection for high-dimensional data

doi:10.1016/j.array.2026.100893

Beyond tabular data: Feature extraction and selection for high-dimensional data

2026-05-16

0

OA

AI

DOI：10.1016/j.array.2026.100893

原文链接

查看原文

摘要

En 中文

大数据的兴起已催化各领域众多数据驱动应用的发展。这些应用有效性的关键在于处理和分析高维数据集（如时间序列、图像等）的能力。本研究专注于推进针对此类数据独特挑战的特征提取与选择方法。尽管特征提取与选择在表格数据上已有较多研究，但其在高维数据中的应用仍需考察。本文提出一种协议，用于降低高维数据集的维度并保留建模与预测任务所需的关键信息——该协议专为（但不仅限于）符号方法设计，在底层系统性地采用了表格数据的状态-of-the-art特征选择算法。我们通过真实案例验证了方法的有效性，并使用适当、客观的指标评估其性能，同时作为长期项目的一部分，提供了一套完整的开源软件包，用于符号非表格数据的表示与学习。本研究结果为数据科学与机器学习实践中的符号方法相关讨论做出了贡献。

Keyword:

Feature selection

Feature extraction

Dimensional data

Beyond tabular data: Feature extraction and selection for high-dimensional data

摘要

AI总结

期刊

机构