.png){kind=icon}
返回
Crowdsourcing Feature Selection via a Distributed Evolutionary Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1109/tsc.2026.3688040.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
众包利用群体的集体智慧来收集数据并解决复杂的计算任务。在这种范式的驱动下，数据现在可以更高效地、更大规模地收集，从而增加了对有效降维的需求，这使得特征选择（FS）对于高效学习至关重要。在本文中，我们将众包环境中多个工作者收集数据并协同优化特征选择的问题称为众包特征选择（CFS）问题。在CFS中，工作者在本地数据上执行特征选择，并上传候选特征子集以完成外包任务。然而，多个数据源之间的异质性阻碍了可靠且高质量共识解的形成。为解决此问题，我们提出了一种基于协同学习的分布式进化算法（DEA-CFS）来解决CFS问题。首先，我们建立了CFS问题的模型，并定义了工作者的角色、服务器及其在众包环境中的交互。其次，在工作者端，我们设计了一种分布式协同学习策略，通过置信度感知的适应度比较来优化本地解并缓解数据异质性。第三，在服务器端，我们引入了一种自适应信誉度聚合机制，以聚合一个鲁棒的共识解。在18个具有多达10,000个特征的基准数据集上的广泛实验证明了DEA-CFS的效率和有效性。具体而言，与四种现有的分布式基线方法相比，DEA-CFS实现了1.16的卓越平均排名，并在18个数据集中的15个上获得了最佳性能。
Keyword:
Collaborative learning
crowdsourcing
evolutionary computation
feature selection
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
.png){kind=icon}
分享收藏
Semisupervised Feature Selection via Generalized Uncorrelated Constraint and Manifold Embedding
PREAI
分享收藏
查看更多内容