.png){kind=icon}
返回
PTMCO-FS: A three-layer multi-task collaborative optimization feature selection method based on prior knowledge on high-dimensional data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.115148.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统特征选择（FS）方法在处理高冗余、强相关性和维度灾难问题时，常面临冗余误判和陷入局部最优等挑战。基于先验知识，提出了一种新的三层多任务协同优化FS架构，旨在提升FS的稳定性并挖掘更具判别性的特征子集。首先，在特征初筛层，构建了基于ReliefF、互信息和皮尔逊相关系数的多过滤并行通道，以评估原始特征。通过逻辑运算中的交运算和并运算操作，生成五种子任务特征子集。然后，在封装优化层，引入二进制海马优化器（BSHO）对每个子任务进行独立特征搜索，并利用记忆池机制实现跨任务知识转移与协同优化。最后，在子集增强层，实施了冻结计数策略，并分别采用七种过滤方法动态执行特征添加与删除模式，实现特征子集的进一步针对性增强。在实验部分，使用12个多领域UCI基准数据集对所提方法进行了测试验证，结果表明PTMBSHO-R在平均适应度、平均分类准确率和特征选择率方面表现出显著优势。随后，为验证所提框架的普适性，分别选用BPSO、BACO、BAOA、BHHO和BWOA作为封装优化层核心方法，通过对比基础算法证明了PTMCO-FS的适用性与优越性。最后，为验证新架构的跨域适应性，将PTMBSHO-R扩展应用于高维基因表达癌症数据集、DDOS网络攻击数据集和QSAR数据集。该方法在这三类数据集上的平均分类准确率范围分别为81.93%-100%、99.98%和88.93%-93.06%，显著优于其他先进算法；特征选择率范围分别为0.048%-4.431%、3.099%和4.063%-19.439%，降维效果显著。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Benchmark for filter methods for feature selection in high-dimensional classification data高维分类数据中特征选择的过滤方法基准
OAAI
.png){kind=icon}
OAAI分享收藏Binary dragonfly optimization for feature selection using time-varying transfer functions使用时变传递函数进行特征选择的二进制蜻蜓优化OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容