Multi-label feature selection via pseudo-label dependence and dual hypergraph regularization

Changqin Huang

doi:10.1016/j.chemolab.2026.105919

Multi-label feature selection via pseudo-label dependence and dual hypergraph regularization

2026-10-11

0

PRE

AI

DOI：10.1016/j.chemolab.2026.105919

原文链接

原文求助

摘要

En 中文

现有多标签特征选择方法旨在从实例空间和标签空间中学习隐含共享结构，并将它们投影到统一表示中，以指导特征选择过程。尽管这些方法有效，但它们依赖于与连续现实世界监督不一致的二值标签空间，仅考虑实例级相关性而忽略标签相关性，并采用通用的图正则化，无法捕捉高阶依赖关系。为解决这些挑战，我们提出了一种新型方法，命名为基于伪标签依赖和双超图正则化的多标签特征选择（PLDHR）。PLDHR用连续伪标签空间替代二值真实标签空间，使学习的共享结构能更好地捕捉隐含监督信息。它进一步引入双图正则化以联合建模实例和标签相关性。此外，还融入了基于超图的正则化，以有效捕捉高阶依赖关系。在9个基准数据集和4个大规模基准数据集上的广泛实验表明，与16种最先进方法相比，PLDHR在六种评估指标下始终表现出更优的综合性能，凸显了其有效性和鲁棒性。

Multi-label feature selection via pseudo-label dependence and dual hypergraph regularization

摘要

期刊

机构

引用论文