Multi-tree and multi-strategy iterative genetic programming algorithm for feature subset construction in high-dimensional data classification

Chen Zhang

doi:10.1007/s10489-026-07406-8

Multi-tree and multi-strategy iterative genetic programming algorithm for feature subset construction in high-dimensional data classification

2026-09-11

0

PRE

AI

王晓峰 (Xiaofeng Wang) *

X

Xuhui Zhu

DOI：10.1007/s10489-026-07406-8

原文链接

原文求助

摘要

En 中文

高维特征因其能够捕获复杂系统信息，在基因表达分析、金融等领域得到广泛应用。然而，高维数据常表现出冗余、稀疏和非线性关系，阻碍了有效的特征构造，并给机器学习模型带来挑战。因此，降维对于将高维数据转化为紧凑、具有判别性的表示至关重要。尽管遗传编程（GP）在特征子集构造中显示出潜力，但在处理高维数据时仍面临挑战：(1) 随机终端节点选择产生低质量个体；(2) 固定进化策略限制了信息特征的发现；(3) 庞大的搜索空间需要有效的降维。为解决这些问题，提出了一种多树多策略迭代遗传编程（MMSGP）算法用于特征子集构造和分类。(1) 基于特征重要性的终端节点选择提高了个体质量。(2) 三重迭代策略有效引导进化。(3) 动态双子集特征选择通过自适应聚焦于有价值特征来减少搜索空间。在十二个高维数据集上的实验结果表明，MMSGP相较于五种基线方法实现了显著的性能提升。具体而言，MMSGP在九个数据集上达到比所有基线更高的平均平衡分类准确率，并在十个数据集上在宏F1分数上超越它们。消融研究进一步证实了所提组件的有效性。

Keyword:

Genetic Programming

Multi-Strategy Iteration

High-Dimensional Data Classification

Feature Subset Construction

Multi-tree and multi-strategy iterative genetic programming algorithm for feature subset construction in high-dimensional data classification

摘要

期刊

机构