基于深度学习和图表示的高维数据特征选择方法创新研究

【编辑推荐】本文提出了一种基于深度学习（Deep Learning）和图表示（Graph Representation）的新型特征选择方法，通过深度相似性度量（Deep Similarity Measure）构建特征图，结合社区检测（Community Detection）和节点中心性（Node Centrality）技术，有效解决了高维数据中冗余特征筛选难题。相比传统过滤式（Filter）和封装式（Wrapper）方法，该方案计算效率提升显著，平均准确率提高1.5%，为基因组学、金融等高维领域提供新思路。

　　

亮点

• 提出创新的深度学习框架构建特征空间图表示，通过深度相似性度量显著提升特征选择效率（详见第4章表12对比实验）。

• 全自动确定聚类数量和特征子集，突破传统方法需人工预设参数的限制。

• 采用节点中心性（Node Centrality）驱动的社区检测技术，规避k均值（k-means）等传统聚类方法在高维数据中的局部最优陷阱。

• 创新性融合特征簇内分布与跨簇连接性分析，实现更精准的特征筛选。

结论

本文开发的深度图表示特征选择模型，通过深度相似性度量构建初始特征图，结合社区检测与节点中心性技术，不仅自动优化聚类数量，还在多个高维数据集测试中展现出优越性能。相比现有技术，该方法在保持低计算复杂度的同时，平均准确率提升1.5%，精确度（Precision）、召回率（Recall）和F1值分别提高1.77%、1.87%和1.81%，为高维生物医学数据挖掘提供了新范式。

（注：根据要求已去除文献引用标识，专业术语保留英文缩写并规范标注上下标）