.png){kind=icon}
返回
Robust Semi-Supervised Feature Selection With Multi-Granularity Zentropy Modeling
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3647921.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高维和弱监督（HiDWS）数据对传统机器学习和模式识别提出了重大挑战。尽管半监督特征选择在提升HiDWS数据质量方面已显示出有效性，但现有方法由于无标签数据学习的不确定性和建模过程的不确定性，仍表现出敏感性且缺乏鲁棒性。因此，本研究聚焦于一种适用于高精度和鲁棒半监督特征选择的模型无关多粒度z熵建模（Ze-MGM）框架。与现有方法不同，Ze-MGM不依赖粗糙集或模糊集假设等特定设置，能够有效捕捉高维和弱监督数据场景下的信息粒度。具体而言，我们首先引入一种策略性软标签（S2-Label）学习方法，该方法整合对象邻近度和分类置信度以降低特征与标签间的模糊性。该方法还能实现兼容实例的选择，从而减轻不兼容对象对标签学习的负面影响。随后，通过分析标签、决策和特定类别的层次关系，构建多粒度知识空间和z熵不确定性度量，实现了HiDWS数据建模过程中精确的多粒度知识表示和多层次不确定性表征。最后，基于多粒度不确定性定义两种多粒度重要性度量，通过半监督范式进行特征评估与选择。在多个基准数据集上的广泛实验表明，所提出的Ze-MGM方法相较于当前最先进方法，在泛化性能和鲁棒性方面均表现出更优越的效果。
Keyword:
Granular computing
semi-supervised learning
feature selection
data mining
uncertainty
期刊
IF:
18.6
论文数:
864
被引数:
9.8W
机构
引用论文
Many-Objective Jaccard-Based Evolutionary Feature Selection for High-Dimensional Imbalanced Data Classification基于Jaccard多目标进化算法的高维不平衡数据分类特征选择
.png){kind=icon}
PREAI
分享收藏An Emerging Fuzzy Feature Selection Method Using Composite Entropy-Based Uncertainty Measure and Data Distribution一种新兴的基于复合熵的不确定性度量和数据分布的模糊特征选择方法
PREAI
分享收藏Adaptive Hyper-Box Granulation With Justifiable Granularity for Feature Selection自适应超盒粒化与可解释粒度用于特征选择
PREAI
分享收藏
Semisupervised Feature Selection via Generalized Uncorrelated Constraint and Manifold Embedding
PREAI
分享收藏
查看更多内容