多维分类(multi-dimensional classification,MDC)模型在处理高维特征时面临计算效率与泛化性能的挑战。特征选择通过筛选有效特征子集,可同时降低维度并提升分类器性能。已有的MDC研究主要集中于显式地建模类空间之间的依赖关系,而面向...多维分类(multi-dimensional classification,MDC)模型在处理高维特征时面临计算效率与泛化性能的挑战。特征选择通过筛选有效特征子集,可同时降低维度并提升分类器性能。已有的MDC研究主要集中于显式地建模类空间之间的依赖关系,而面向MDC的特征选择方法仍需深入探索。针对MDC数据的特点,设计了一种互信息与遗传算法融合的多维分类特征选择算法MIGA(multi-dimensional classification feature selection algorithm based on fusion of mutual information and genetic algorithm)。该算法设计基于类空间综合相关性的种群初始化策略,以增加种群的多样性并加速收敛;提出自适应变异策略,依据特征综合得分动态调整变异概率以平衡全局探索与局部开发能力;融合MDC三项指标构建负加权和形式的适应度函数以适配GA优化框架。在10个MDC数据集上的实验结果表明:相较于特征映射降维方法(PCA、MDS)、监督式MDC降维方法SDeM(supervised dimensionality reduction for MDC)以及专用于MDC的过滤式特征选择算法MIFS(mutual information feature selection),MIGA所获特征子集显著提升了多维分类模型的泛化性能。展开更多
分层分类任务通常面临高维特征空间、复杂的类别层次结构以及标记稀疏等多重挑战,其中,标记稀疏性导致监督信息不足,进而削弱特征选择的效果.针对该问题,提出一种新的层次特征选择方法——基于标记模糊化的层次特征选择方法(Hierarchica...分层分类任务通常面临高维特征空间、复杂的类别层次结构以及标记稀疏等多重挑战,其中,标记稀疏性导致监督信息不足,进而削弱特征选择的效果.针对该问题,提出一种新的层次特征选择方法——基于标记模糊化的层次特征选择方法(Hierarchical Feature Selection Based on Label Fuzzification,HFSLF),其核心思想是通过增强稀疏标记的语义表达能力来改善监督信息.具体地,HFSLF首先利用兄弟关系构建类别间的模糊相似性,并利用该相似性将样本的原始标记转化为标记分布,这一转化过程有效扩展了监督信息的覆盖范围,增强了稀疏场景下的语义监督表达.进一步,所提算法以特征与标记分布之间的互信息为监督信号,引导特征权重逼近其对应的互信息值,从而增强模型对高相关性特征的选择偏好.在六个层次数据集上的实验证明了所提算法的有效性.展开更多
文摘多维分类(multi-dimensional classification,MDC)模型在处理高维特征时面临计算效率与泛化性能的挑战。特征选择通过筛选有效特征子集,可同时降低维度并提升分类器性能。已有的MDC研究主要集中于显式地建模类空间之间的依赖关系,而面向MDC的特征选择方法仍需深入探索。针对MDC数据的特点,设计了一种互信息与遗传算法融合的多维分类特征选择算法MIGA(multi-dimensional classification feature selection algorithm based on fusion of mutual information and genetic algorithm)。该算法设计基于类空间综合相关性的种群初始化策略,以增加种群的多样性并加速收敛;提出自适应变异策略,依据特征综合得分动态调整变异概率以平衡全局探索与局部开发能力;融合MDC三项指标构建负加权和形式的适应度函数以适配GA优化框架。在10个MDC数据集上的实验结果表明:相较于特征映射降维方法(PCA、MDS)、监督式MDC降维方法SDeM(supervised dimensionality reduction for MDC)以及专用于MDC的过滤式特征选择算法MIFS(mutual information feature selection),MIGA所获特征子集显著提升了多维分类模型的泛化性能。
文摘分层分类任务通常面临高维特征空间、复杂的类别层次结构以及标记稀疏等多重挑战,其中,标记稀疏性导致监督信息不足,进而削弱特征选择的效果.针对该问题,提出一种新的层次特征选择方法——基于标记模糊化的层次特征选择方法(Hierarchical Feature Selection Based on Label Fuzzification,HFSLF),其核心思想是通过增强稀疏标记的语义表达能力来改善监督信息.具体地,HFSLF首先利用兄弟关系构建类别间的模糊相似性,并利用该相似性将样本的原始标记转化为标记分布,这一转化过程有效扩展了监督信息的覆盖范围,增强了稀疏场景下的语义监督表达.进一步,所提算法以特征与标记分布之间的互信息为监督信号,引导特征权重逼近其对应的互信息值,从而增强模型对高相关性特征的选择偏好.在六个层次数据集上的实验证明了所提算法的有效性.
