基于特征图矩阵与标签增强的缺失标签模糊邻域特征选择方法

《Patient Education and Counseling》：Fuzzy Neighborhood-Based Feature Selection with Missing Labels via Feature Graph Matrix and Label Enhancement

本文提出一种针对缺失标签场景的模糊邻域特征选择新方法（FNSML），通过高斯核映射构建特征空间模糊相似关系，结合特征图矩阵（FGM）正则化回归函数恢复缺失标签；创新性采用模糊支持向量机（FSVM）隶属度函数与k近邻密度（KND）实现逻辑标签到连续标签分布的增强转换，并利用模糊邻域互信息（FNMI）评估特征重要性。实验表明该方法在13个数据集上能有效提升缺失标签数据的分类性能。

　　

Highlight

(1) 为挖掘样本间非线性关系，引入高斯核函数将原始样本映射到高维特征空间，并建立模糊邻域相似关系以刻画特征的非线性变换。设计样本间模糊邻域相似矩阵，获得样本的模糊邻域粒度。

(2) 采用F-范数约束损失函数，利用热核构建特征图矩阵以保持特征间局部相关性。通过希尔伯特-施密特独立性准则（HSIC）量化特征与标签的依赖关系。结合特征图矩阵、模糊邻域相似矩阵和标签相关矩阵，建立回归目标函数。

(3) 通过模糊支持向量机（FSVM）的隶属度函数和样本的k近邻密度（KND）将逻辑标签转化为连续标签分布，分析标签重要性。最终利用模糊邻域互信息（FNMI）评估候选特征相关性，选取最优特征子集。

Discussion

通过综合分析上述实验结果，可得出以下结论：

(1) 在表2至表6的五项指标（平均精度AP、覆盖率CV、排序损失OE、汉明损失HL等）上，FNSML均优于其他对比方案。特别是在缺失标签比例p为10%、30%或50%时，基于流形学习和希尔伯特-施密特独立性准则的回归函数能有效恢复缺失标签，从而获得更优的特征子集。

Conclusions

我们提出了一种结合特征图矩阵和标签增强的新型多标签特征选择方法，用于处理缺失标签场景。首先，利用非线性映射函数将原始样本映射到高维特征空间，以挖掘特征间的非线性变换。其次，结合特征图矩阵和模糊相似关系矩阵，通过线性回归策略设计目标函数。采用交替梯度下降法优化模型参数，实现缺失标签的精确恢复。最后，通过模糊支持向量机（FSVM）隶属度函数和k近邻密度（KND）将离散的逻辑标签增强为连续的标签分布，并利用模糊邻域互信息（FNMI）评估特征与增强后标签的相关性，筛选出最具判别力的特征子集。实验结果表明，该方法能显著提升缺失标签数据下的分类性能。