.png){kind=icon}
返回
Semi-supervised feature selection with concept factorization and robust label learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112317.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择（FS）通过识别最相关的特征，对于在高维数据中提升模型性能至关重要。概念因子分解（CF）基于非负矩阵分解（NMF），因其能够揭示有意义的数据结构并生成可解释的概念向量而受到重视。然而，现有的基于CF的FS方法通常是无监督的，未能利用标签信息，导致偏向高方差特征。这种偏向可能造成遗漏具有高度判别性的低方差特征，最终降低FS的有效性并损害模型性能，特别是在微弱或罕见模式重要的任务中。为解决这些局限性，本文提出SCFLR，一种结合CF与鲁棒标签学习的半监督FS新方法。SCFLR基于特征空间建立CF框架，将每个概念向量表示为特征向量的锥组合，从而利用潜在数据结构和可用标签信息，选择更信息丰富且平衡的特征集。为此，SCFLR定义了一个基于生成概念向量的线性回归损失函数，以利用标签数据的信息。该损失函数进一步通过基于L2,1-范数的标签学习框架增强，以确保鲁棒的标签近似。SCFLR还利用双图正则化来维持特征空间和数据空间中的局部几何结构。为解决SCFLR的优化问题，引入了一种高效的算法，并证明了其收敛性。最后，在多个数据集上对SCFLR方法进行实验验证，凸显了其有效性和相比其他FS方法的优越性能。
Keyword:
feature selection
concept factorization
semi-supervised learning
label learning
robust regression
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Subspace learning for unsupervised feature selection via matrix factorization.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏分享收藏Bilinear Self-Representation for Unsupervised Feature Selection with Structure LearningNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
Convex Non-Negative Matrix Factorization With Adaptive Graph for Unsupervised Feature Selection
PREAI
分享收藏Semisupervised Feature Selection via Generalized Uncorrelated Constraint and Manifold Embedding
PREAI
分享收藏Deep Nonnegative Matrix Factorization with Joint Global and Local Structure Preservation具有联合全局和局部结构保留的深度非负矩阵分解
PREAI
分享收藏
查看更多内容