双锚图正则化潜在学习方法在可扩展的多标签特征选择中的应用

《Neurocomputing》:Dual anchor graph-regularized latent learning for scalable multi-label feature selection

【字体: 大 中 小 】 时间:2026年04月21日 来源:Neurocomputing 6.5

编辑推荐:

  DAMFS是一种结合双锚图学习和共享潜在表示的多标签特征选择框架,通过自适应锚分配和联合优化策略解决复杂数据中的特征选择问题,实验验证其在多个领域的有效性。

  
张胤|赵航|朱俊伟|张汉红|宋俊|邓云龙
深圳大学物理与光电工程学院,中国广东省深圳市518000

章节摘录

相关工作

近年来,多标签特征选择(Multi-label Feature Selection, FS)引起了广泛关注,大多数方法试图利用数据中标签之间的相关性以及嵌入的结构信息[45]。总体而言,现有方法可以分为基于矩阵分解的方法、基于图的方法、自适应基于图的方法和双重图学习策略。下面,我们将概述这些工作,并突出我们提出的框架的新颖之处。

提出的方法

在本节中,我们介绍了我们提出的框架,称为DAMFS(Dual Anchor Graph Learning for Multi-Label Feature Selection)。其核心思想是通过构建两个锚图来联合利用实例和特征之间的结构依赖性,同时学习一个连接特征和标签空间的共享潜在表示。与依赖静态图结构的传统方法不同,DAMFS能够自适应地调整锚点分配。

DAMFS方法的优化

目标函数(7)由于?2,1-范数和稀疏性约束,因此是非凸且非光滑的。为了高效求解,我们采用了一种交替优化策略,即在保持其他变量不变的情况下更新一组变量。对于每一组变量,我们将拉格朗日函数的导数设为零,应用Karush–Kuhn–Tucker(KKT)互补条件,并通过分离正负部分来推导乘法更新规则(即所谓的NMF风格更新)。

实验

为了全面评估所提出的DAMFS方法的有效性,我们在涵盖生物学、文本、图像和视频数据等多个领域的多样化基准多标签数据集上进行了实验。这些数据集的特点在表2中进行了总结。如表所示,它们在实例数量、特征数量和标签数量上存在显著差异,为评估多标签FS方法的可扩展性和泛化能力提供了严格的测试平台。
我们

结论

在本文中,我们提出了一种名为DAMFS的新框架,用于可扩展的多标签特征选择。DAMFS的核心思想是通过双重锚图正则化,同时建模一个连接特征和标签空间的共享潜在结构,同时保留数据实例和特征分布的内在几何特性。与依赖固定或成对图且具有二次复杂性的传统方法不同,DAMFS采用自适应的锚点分配来构建

CRediT作者贡献声明

张胤:研究、形式分析、数据整理。赵航:撰写 – 审稿与编辑、方法论、形式分析、概念化。朱俊伟:撰写 – 审稿与编辑、验证、研究、形式分析、概念化。张汉红:撰写 – 审稿与编辑、监督、方法论、研究。宋俊:撰写 – 审稿与编辑、验证、监督、项目管理、概念化。邓云龙:撰写 – 初稿、形式分析,

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
张胤:博士。参与了多项国家级研究项目和重大仪器项目。主要研究人工智能及其应用,特别是在与光学的交叉应用方面。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号