.png){kind=icon}
返回
Max–Min Robust Unsupervised Feature Selection via Sparse Subspace
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2026.3656518.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是机器学习中的热点问题之一。它通过有效筛选特征来减少存储压力，已成为一种非常实用的数据预处理方法。目前，大多数特征选择算法对变换矩阵应用 $\ell _{2,1}$ -范数计算所有特征的得分，然后根据这些得分选择适当特征。但它们的稀疏性受限，无意义的正则化参数增加了成本，易陷入局部最优。为解决上述困难，本文提出了一种基于稀疏子空间的最大-最小鲁棒无监督特征选择方法（MMRUFS），该方法同时考虑了数据的重构项和方差项，使模型不仅能充分保留原始数据信息，还能使数据更分散。其次，对变换矩阵施加 $\ell _{2,0}$ -范数约束，直接选择最优特征子集，避免了正则化参数的精细调整。为增强鲁棒性，MMRUFS精心设计了标记权重向量，使模型能区别对待正常样本和异常值，并实现了异常检测的效果。最后，通过设计代理矩阵求解MMRUFS，严格保证其收敛性，实验结果表明，MMRUFS在多个真实数据集上优于其他特征选择算法。
Keyword:
Dimensionality reduction
outlier
sparse
unsupervised feature selection
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
Uncorrelated feature selection via sparse latent representation and extended OLSDA.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
分享收藏Unsupervised Feature Selection with Adaptive Structure LearningProceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Unsupervised feature selection for multi-cluster dataProceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏
查看更多内容