.png){kind=icon}
返回
Multi-label feature selection based on positive sample information weighting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114373.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多标签特征选择因其能够在降低数据维度的同时有效消除噪声和无关特征而受到广泛关注。信息论方法在该领域占据主导地位，因为它们旨在量化特征之间的相关性及冗余性，以及特征与标签之间的相关性。然而，现有信息论方法在评估变量间的相关性和冗余性时，常忽略正负样本之间固有的分布差异。在多标签数据集中，与同一标签关联的正样本在特征空间中往往更为集中，而负样本则表现出更为分散的分布。这种差异在标签稀疏的数据集中尤为明显。负样本特征值的分散分布通常导致判别能力降低和噪声敏感性增加。为缓解此局限性，我们提出了一种基于正样本信息加权的多标签特征选择方法（PSIWFS）。PSIWFS在特征选择过程中为与正样本呈现强相关的特征赋予更高权重，从而增强对较少出现的正样本的识别和优先排序。在14个数据集上进行的实验评估，通过与7种对比方法的比较，证实了所提出方法的优越分类性能。
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
Feature Redundancy Based on Interaction Information for Multi-Label Feature Selection.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Feature extraction framework based on contrastive learning with adaptive positive and negative samplesNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏
查看更多内容