.png){kind=icon}
返回
Unsupervised feature selection with evolutionary sparsity
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107512.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
t2,0-范数在无监督特征选择中正扮演着越来越重要的角色。然而，现有针对带有t2,0-范数约束的优化问题的算法存在两个问题：首先，它们无法自动确定稀疏性，也即关键特征的数量；其次，它们存在收敛至局部最优的风险，从而导致选择平凡（信息量较少）的特征。为解决这些问题，本文提出了一种具有进化稀疏性的无监督特征选择方法（EVSP），该方法将特征选择过程与稀疏投影矩阵及种群搜索机制整合为一个统一的框架。具体而言，稀疏性水平被编码为种群个体，随后引入一种基于二进制编码的多目标进化算法，用于递归确定最优稀疏性水平，从而无监督地指导最优行稀疏投影矩阵的学习。此外，通过利用稀疏投影学习到的特征权重，设计了一种名为变异-修复算子的两阶段策略，以引导种群进化，旨在生成高质量的候选解。在11个基准数据集上的全面实验（最大维度为10304个特征，最大样本量为9298个）表明，所提出的EVSP方法能够有效确定最优稀疏性水平，显著优于几种最先进的方法。
Keyword:
Unsupervised feature selection
Multi-objective evolution
Sparse projection