Multi-Label Feature Selection by Maximum Affinity-Relevance, Maximum Affinity-Interaction and Minimum Affinity-Redundancy

doi:10.1109/TETCI.2026.3650841

Multi-Label Feature Selection by Maximum Affinity-Relevance, Maximum Affinity-Interaction and Minimum Affinity-Redundancy

2026-01-16

0

PRE

AI

DOI：10.1109/TETCI.2026.3650841

原文链接

原文求助

摘要

En 中文

多标签特征选择解决了多标签学习中的高维挑战问题，并被广泛应用于模式识别、机器学习等相关领域。然而，大多数现有的多标签学习方法忽略了特征与标签之间的关联性，这意味着所选特征可能仅能为部分标签提供分类信息，而非全部标签，从而导致一部分标签获得充分的分类信息，而另一部分标签则获得不足的分类信息。为了解决这一问题，我们提出了一种新的多标签特征选择方法。首先，我们提出了关联性的概念，即特征存在偏向于为标签提供分类信息的倾向。其次，我们提出了三种新的特征评估指标：关联相关性（affinity-relevance）、关联冗余性（affinity-redundancy）和关联交互性（affinity-interaction），这些指标从关联性的角度在三个维度上评估特征。第三，我们提出了一种新的特征评估函数，即特征关联显著性（feature affinity significance），以及一种基于MARAImAR的特征选择算法。最后，在15个多标签基准数据集上的实验结果表明，所提出的方法优于其他九种代表性的多标签特征选择方法。

Keyword:

Multi-label feature selection

affinity

mutual information

affinity-relevance

affinity-redundancy

affinity-interaction

Multi-Label Feature Selection by Maximum Affinity-Relevance, Maximum Affinity-Interaction and Minimum Affinity-Redundancy

摘要

期刊

机构

引用论文