面向无监督异构群组流特征选择的动态密度聚类优化方法

这篇研究提出了一种新型在线无监督异构群组流特征选择方法UHGSFS（Unsupervised Heterogeneous Group Streaming Feature Selection），通过最大信息系数（MIC）和基于高斯核函数的密度聚类，解决了特征类型未知、数据无标注、特征动态生成的三大挑战。实验表明其性能媲美甚至超越有监督流特征选择方法，为医疗诊断（如X光/心电图多模态数据实时处理）等场景提供了高效解决方案。

　　

亮点

• 我们聚焦在线无监督异构流特征选择这一新实际问题，其特征以群组形式动态生成且类型未知。相比现有理想化设定，本研究更贴近真实场景。

• 提出基于密度聚类的在线无监督异构群组流特征选择方法UHGSFS：通过MIC评估特征关联性（无需预设分布），利用高斯核函数计算特征密度，并设计自适应聚类策略实现冗余最小化。该方法无需参数预设，可处理任意特征类型。

• 在13个基准数据集上的实验表明，在无标签且特征类型未知条件下，新方法性能与有监督流特征选择算法相当甚至更优。

创新性

本研究有两大突破：1）首次实现特征类型未知的异构流特征在线选择；2）基于自然邻居搜索的自适应聚类算法，无需预设参数，可应对任意数据类型。

结论与讨论

本文解决了异构流特征在类型未知时的在线无监督选择难题。通过MIC和高斯核密度聚类技术，提出的UHGSFS方法在医疗多模态数据（如X光影像、心电信号）等场景中展现出强大适应性。实验验证其性能媲美有监督方法，为实时诊断系统提供了新工具。

作者贡献声明

彭周：综述编辑/方法学设计/形式化分析；陈倩珍：算法实现/初稿撰写；桑磊：资金支持；赵舒：监督指导；吴信东：项目管理。

利益冲突声明

作者声明无潜在竞争性利益。

致谢

本研究获中国国家自然科学基金（62376001, 62206002, 62120106008）和安徽省自然科学基金（2308085MF215）资助。