.png){kind=icon}
返回
Graph-driven feature selection via granular-rectangular neighborhood rough sets for interval-valued data sets
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112716.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在蓬勃发展的大数据分析领域，区间值数据集对于建模不确定性和模糊性至关重要，对医疗保健和环境科学等领域具有重大意义。特征选择作为数据挖掘中的关键环节，对于简化数据处理和增强预测模型至关重要。然而，关于区间值信息系统内特征提取的研究文献相对匮乏。本文提出了一种开创性的特征选择框架，巧妙地解决了区间值数据的复杂性。该方法创新性地利用全连接加权无向图来封装区间数据，结合图论见解与粒矩形邻域粗糙集理论。通过基于每个属性对整个信息系统的重要性评估其显著性，并应用矩阵幂级数加速计算，该框架确保了稳健的分类性能和冗余消除，标志着该领域的重大进展。通过在12个公开数据集上与7种其他算法的比较实验、理论分析及实验结果均表明，所提出的方法不仅展现出处理区间值数据的高效性，还进一步提升了效率和分类性能。此外，该方法在减少对先验知识的依赖和提升模型可解释性方面也显示出显著优势，充分证明了其在大规模数据分析中的适用性和可靠性。
Keyword:
Feature selection
Graph theory
Interval-valued information system (IVIS)
Matrix power series (MPS)
Neighborhood rough set (NRS)
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
GBNRS: A Novel Rough Set Algorithm for Fast Adaptive Attribute Reduction in ClassificationGBNRS: 一种新的粗糙集分类快速自适应属性约简算法
PREAI
分享收藏分享收藏
Joint learning of graph and latent representation for unsupervised feature selection.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏APGVAE: Adaptive disentangled representation learning with the graph-based structure information
PREAI
分享收藏
查看更多内容