.png){kind=icon}
返回
Graph theory-based dynamic unsupervised feature selection method for interval-valued datasets
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.114034.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着对不确定性建模和动态环境需求的增长，区间值信息系统（IVIS）中的特征选择日益受到关注。然而，随着数据规模的扩大和系统的持续更新，信息系统的结构变得高度动态。现有方法大多针对静态场景设计，难以适应对象或属性的添加、删除等结构变化。为解决此问题，本文提出了一种统一的基于图的无监督动态特征选择框架，能够高效处理IVIS中四种典型的结构变化。对于对象变化，以对象为节点构建多个相似性图，并通过图融合与特征权重学习联合优化；对于属性变化，以属性为节点构建全连接加权图，通过局部更新的邻接矩阵实现动态排序。所提方法利用局部更新避免代价高昂的全图重建。在多个基准数据集上的广泛实验表明，本方法在Dermatology等数据集上使调整兰德指数（ARI）和归一化互信息（NMI）指标提升超过10%，显著优于当前最优基线。此外，局部更新机制使计算开销相较于静态重建减少约80%，使该框架非常适合大规模和实时动态应用。
Keyword:
Feature selection
Graph theory
Interval-valued information system(IVIS)
Dynamic data
