借助未选定特征的进化传递优化进行多目标特征选择

《ACM Transactions on Evolutionary Learning and Optimization》：Evolutionary Transfer Optimization Assisted by Unselected Features for Multiobjective Feature Selection

针对高维数据特征选择中传统多目标方法存在的初始化随机性大、忽略未选特征等问题，提出基于进化转移优化的SPTMFS方法，通过双辅助任务优化和知识转移机制提升主任务性能，实验表明其优于现有方法。

　　

摘要

特征选择在分类任务中起着至关重要的作用，尤其是在高维数据集中，如何在识别相关特征的同时最小化冗余是一个挑战。传统的多目标特征选择（MOFS）方法由于随机初始化以及仅关注所选特征的分类准确性而面临诸多问题。这通常会导致选择了许多不相关的特征，而重要的特征可能因为隐藏在未被选中的特征中而被忽略，这些未被选中的特征在后续的优化阶段通常会被忽略。为了解决这些问题，本文提出了一种特定的偏好任务辅助多目标特征选择（SPTMFS）方法，该方法利用未被选中的特征来辅助先进的进化传递优化框架，以提高主MOFS任务的性能。SPTMFS结合了两个互补的辅助MOFS任务：一个任务专注于最小化未被选中的特征的分类准确性，另一个任务则致力于优化特征子集的大小。这些任务整合了来自所选特征和未被选中的特征的信息。一种知识传递机制利用任务特定的偏好来增强主任务识别改进的帕累托最优特征子集的能力。个性化的环境选择确保解决方案符合每个任务的目标，从而提升整体群体的性能。在16个数据集上的实验结果表明，SPTMFS优于现有的MOFS方法。使用Friedman和Wilcoxon测试进行的严格统计分析验证了SPTMFS的稳健性和竞争优势。与单目标多任务方法的比较评估突显了SPTMFS在应对不同数据集的特征选择挑战方面的有效性。