.png){kind=icon}
返回
Prediction-based semi-supervised feature selection for partially labeled multi-scale multiset-valued data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122938.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在部分标注数据中，特征选择对于大规模应用中的知识获取至关重要，但由于标签稀缺，这一问题仍然具有挑战性。为解决此问题，我们针对部分标注的广义多尺度多重集值决策系统（p-GMMDSs）提出了一种新颖的半监督方法。我们的方法首先引入三种基于Hellinger距离的度量来计算对象距离、构建k近邻类，并推导出用于标签预测的最大分布决策。利用这些决策，我们将p-GMMDS转换为三个完全标注的GMMDSs。随后，我们为每个GMMDS定义正区域最优尺度及其对应的约简，以确保保持分类一致性所需的最小特征子集。最后，我们设计了高效的启发式算法来识别最优尺度约简。在12个UCI基准数据集上的实验验证了我们所提方法的有效性。
Keyword:
Granular computing
Multi-scale multiset-valued decision systems
Optimal scale reducts
Rough sets
Semi-supervised feature selection
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
Dominance relation-based feature selection for interval-valued multi-label ordered information system基于优势关系的区间值多标签有序信息系统的特征选择
PREAI
分享收藏
VCOS: Multi-scale information fusion to feature selection using fuzzy rough combination entropyVCOS：基于模糊粗糙组合熵的多尺度信息融合与特征选择.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容