摘要
随着多视图数据集在各个实际领域的应用日益广泛，特征选择（FS）已成为机器学习模型不可或缺的预处理步骤。然而，现实世界中的多视图数据往往未标注且分散在各个独立的客户端中，这给传统的集中式方法带来了重大挑战，主要是因为隐私问题和通信限制。此外，现有的集中式和联邦式方法经常陷入局部最优解，并且缺乏可靠的收敛性保证。为了解决这些问题，我们提出了Fed-MUFSHT，这是一个用于多视图无监督特征选择的联邦框架（MUFS），它将张量学习与一种新颖的元启发式优化器——分层认知天骥赛马优化算法（HC-THRO）相结合。在联邦学习范式中，Fed-MUFSHT遵循一个双阶段的局部优化过程。第一阶段应用HC-THRO，该算法结合了分层竞争学习和自适应认知映射，以模拟个体之间的多层次战略竞争和认知适应。这种设计增强了在高维空间中的全局探索能力、自适应学习以及细粒度的特征选择。第二阶段使用基于规范多项式（CP）分解的TL模块来进行缺失视图插补和细化潜在表示学习。在全局层面，采用基于归一化互信息（NMI）和特征权重的隐私保护聚合策略，能够在不暴露原始数据的情况下实现高效的模型协调。在几个公共基准数据集上的对比实验表明，Fed-MUFSHT相较于其他强大的竞争方法具有明显优势，表现出更好的优化结果和更可靠的收敛特性。总体证据表明，所提出的方法在涉及隐私保护的分布式优化任务中既稳健又有效。
