Consistency-Enhanced Multi-Granularity Knowledge Modeling for Semi-Supervised Feature Selection

doi:10.1109/tkde.2026.3719432

Consistency-Enhanced Multi-Granularity Knowledge Modeling for Semi-Supervised Feature Selection

2026-09-29

0

PRE

AI

DOI：10.1109/tkde.2026.3719432

原文链接

原文求助

摘要

En 中文

通过结合有标签数据和无标签数据来优化特征选择过程是半监督特征选择（SFS）的核心主题。然而，少量有标签数据和大量无标签数据必然会影响数据、知识和模型之间的一致性。SFS的核心挑战仍然在于数据建模和知识发现的鲁棒性与不确定性。因此，SFS需要关注三个问题：1）如何表示半监督数据的知识结构，2）如何增强知识建模的鲁棒性，3）如何在建模过程中有效地推理和度量不确定性。为此，本研究提出了一种一致性增强的多粒度知识建模（Ce-MGK）框架用于半监督特征选择。具体而言，建立了一种具有一致性目标选择的亲和-分离感知软学习机制，能够有效增强基于模糊粗糙近似建模的后续多粒度知识获取性能。此外，针对多级不确定性分析，讨论了多粒度结构和层间交互，即z熵不确定性度量。与现有度量不同，z熵充分利用了多粒度知识结构间的层间关系，能够有效挖掘半监督数据中的隐藏信息。最后，设计了两个内部和外部显著性度量用于特征评估，并根据一致性信息增益确定最优特征子集。在多个基准数据集上的广泛实验表明，与当前最先进方法相比，Ce-MGK框架具有更优越的鲁棒性和有效性。

Keyword:

Labeling

Modeling

Feature extraction

Educational institutions

Uncertainty

Learning (artificial intelligence)

Machine learning

Entropy

Robustness

Terminology

Data mining

semi-supervised feature selection

granular computing

fuzzy rough set

uncertainty measure

Consistency-Enhanced Multi-Granularity Knowledge Modeling for Semi-Supervised Feature Selection

摘要

期刊

机构

引用论文