Bi-Sparse Unsupervised Feature Selection

Xianchao Xiu

doi:10.1109/TIP.2025.3620667

Bi-Sparse Unsupervised Feature Selection

2025-01-01

0

PRE

AI

DOI：10.1109/TIP.2025.3620667

原文链接

原文求助

摘要

En 中文

为处理许多领域中高维无标签数据集，主成分分析（PCA）已成为一种用于无监督特征选择（UFS）的兴起技术。然而，大多数现有的基于PCA的方法仅通过在变换矩阵中嵌入单个稀疏正则化或约束来考虑数据集的结构。本文中，我们引入了一种名为BSUFS的新型双稀疏方法，以提高UFS的性能。BSUFS的核心思想是将 $\ell _{2,p}$ -范数和 $\ell _{q}$ -范数融入经典PCA，这使得我们的方法能够选择相关特征并过滤无关噪声，从而获得判别性特征。这里，参数 $p$ 和 $q$ 的范围为[ $0, 1$ )。因此，BSUFS不仅构建了一个双稀疏优化的统一框架，还将一些现有工作包含为特例。为解决所得的非凸模型，我们提出了一种高效的近端交替最小化（PAM）算法，该算法利用Stiefel流形优化和稀疏优化技术。此外，还进行了计算复杂度分析。在合成和真实数据集上的大量数值实验证明了我们提出的BSUFS的有效性。结果表明了双稀疏优化在特征选择中的优势，并展示了其在图像处理其他领域的潜力。我们的代码可在https://github.com/xianchaoxiu/BSUFS获取。

Keyword:

Unsupervised feature selection

bi-sparse

principal component analysis

proximal alternating minimization

manifold optimization

Bi-Sparse Unsupervised Feature Selection

摘要

期刊

机构