基于潜在特征表示与改进图嵌入的无监督特征选择方法研究

本文提出了一种融合潜在特征表示(LFR)与改进图嵌入(MG)的无监督特征选择方法LFRMG。通过设计自表示结构学习潜在特征表示范数，解决了固定相似性图导致的冗余问题；结合改进图正则化保留数据局部信息；创新性构建l2,0-norm闭式解实现特征稀疏投影。实验表明该方法在9个数据集上优于现有技术。

　　

Highlight亮点

本研究聚焦特征空间互联结构的潜在表征构建，提出融合潜在特征表示与改进图嵌入的无监督特征选择方法(LFRMG)。通过自表示学习直接挖掘特征关联，突破传统相似性图的局限性；结合改进图正则化实现特征互联与局部信息双保留；创新性采用l_2,0-norm闭式解避免参数调优困境。

Proposed LFRMG approach方法提出

算法通过特征空间自表示结构学习潜在表征，摆脱对相似性图构建质量的依赖。改进图正则化项通过拉普拉斯矩阵保留潜在结构，隔离权重矩阵构建过程中的误差传递。l_2,0-norm约束的闭式解设计有效解决非凸约束的次优问题。

Experiments and analysis实验验证

在9个基准数据集上的对比实验表明：1）自表示学习显著提升特征空间构建效率；2）改进图嵌入使特征区分度提升12.7%；3）闭式解方案较迭代法加速3.2倍。可视化显示该方法能有效捕捉生物医学数据中的关键特征簇。

Conclusions结论

LFRMG通过特征空间自表示学习突破传统图构建局限，改进图正则化实现"全局互联-局部保持"双目标，l_2,0-norm闭式解为高维生物数据特征选择提供新范式。未来将拓展至多组学数据整合分析。

CRediT authorship contribution statement作者贡献

闫佳玲：算法实现/实验验证/论文撰写；胡刚：课题设计/经费支持/论文修订；魏国：概念提出/结果分析。

Declaration of competing interest利益声明

作者声明无潜在竞争利益。

Acknowledgments致谢

感谢国家自然科学基金(No. 52375264)资助。