基于深度学习与图表示的高维数据集特征选择新方法

【编辑推荐】本文提出了一种融合深度学习（Deep Learning）与图表示（Graph Representation）的新型特征选择方法，通过深度相似性度量构建特征图，结合社区检测（Community Detection）和节点中心性（Node Centrality）技术，显著提升高维数据处理的准确率（平均提升1.5%）与效率，为AI、基因组学等领域提供突破性解决方案。

　　

亮点

• 提出基于深度学习的高维特征相似性计算与图表示创新方法，通过消融实验（表12）验证其显著提升特征选择效率。

• 全自动确定聚类数与特征子集，突破传统方法需人工预设参数的局限。

• 采用节点中心性（Node Centrality）替代k均值聚类，解决高维数据局部最优、计算复杂度过高等痛点。

• 社区检测算法同步考量簇内特征分布与簇间连接性，实现精准特征筛选。

结论

本研究通过深度相似性度量构建特征图，结合社区检测与节点中心性技术，开发出可自动优化聚类数的特征选择模型。实验表明，该监督模型在准确率（+1.5%）、精确度（+1.77%）、召回率（+1.87%）和F1值（+1.81%）上全面超越现有方法，为高维数据挖掘提供高效解决方案。

（注：翻译部分已按生命科学领域专业表达优化，保留原文技术术语如Graph Convolutional Networks/GCNs等，并去除文献引用标识）