联邦锚点引导频域优化的多标签文本特征选择方法

《Algorithms》：Federated Multi-Label Feature Selection via Anchor-Guided Frequency-Domain Optimization Algorithm

　　

摘要

多标签文本特征选择旨在为关联多个相关标签的文档识别紧凑且具有区分力的特征子集。在联邦环境中，由于高维搜索空间、非独立同分布数据、复杂的标签依赖关系以及原始特征和标签数据必须保留在本地，这一任务变得更加复杂。为应对这些挑战，本文提出了联邦锚点引导频域优化算法（Fed-AGFDO），这是一种联邦多标签文本特征选择框架。在每个客户端，锚点引导频域优化（AGFDO）模块将编码后的搜索群体转换到频域，并结合随机谱探索、精英引导混合、多样性感知锚点筛选以及多锚点方向聚合，以平衡探索与开发。候选特征权重向量使用流形正则化适应度函数进行评估，该函数共同考虑了样本结构、标签共识正则化、稀疏性正则化以及软全局特征权重一致性惩罚。服务器仅通过样本量加权聚合进行本地特征权重向量的聚合，随后通过指数移动平均更新来平滑全局特征权重在轮次间的变化，同时保持原始数据本地化。在八个多标签文本数据集上的实验表明，Fed-AGFDO 以紧凑的特征子集实现了强大的分类和标签排序性能。在代表性子集设置下，与模糊联邦多标签特征选择（Fuzzy FMFS）相比，Fed-AGFDO 将平均精度提高了高达 ，相对于联邦多标签特征选择（FMLFS），将排序损失降低了高达 。参数敏感性和消融分析进一步证明了在所检查的参数范围内具有鲁棒性，以及锚点引导、多样性筛选和多锚点聚合的互补贡献。这些结果表明，Fed-AGFDO 为高维联邦多标签文本特征选择提供了一种有效且具备数据本地感知能力的解决方案。