.png){kind=icon}
返回
Partial multi-label feature selection with feature noise
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2024.111310.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着多标签数据维度的持续增加，特征选择在多标签学习中日益普遍，成为降维的一种高效且可解释的方法。然而，现有的多标签特征选择算法通常假设数据无噪声，这在特征和标签噪声频繁出现的实际应用中难以成立。因此，我们提出了一种新颖的部分多标签特征选择算法，旨在在有特征噪声和部分多标签的环境下有效选择最优特征子集。具体而言，我们首先提出一种鲁棒标签增强模型以减弱噪声干扰并丰富标签的语义信息。随后，利用稀疏重建学习实例相关性信息，并应用于平滑性假设以获得更准确的标签分布。此外，我们采用t 2 , 1-范数消除无关特征并约束模型复杂度。最后，上述处理在统一目标函数中进行端到端优化。实验结果表明，在15个数据集上，我们的算法优于几种最先进特征选择方法。
Keyword:
Feature selection
Feature noise
Partial multi-label
Label enhancement
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Manifold learning with structured subspace for multi-label feature selection.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏Gradient-based multi-label feature selection considering three-way variable interactionPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Heterogeneous Feature Selection With Multi-Modal Deep Neural Networks and Sparse Group LASSO基于多模态深度神经网络和稀疏组LASSO的异构特征选择
OAAI
OAAI分享收藏ML-KNN: A lazy learning approach to multi-label leamingMl-knn: 一种多标签学习的懒惰学习方法PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容