基于标记模糊化的层次特征选择OA
分层分类任务通常面临高维特征空间、复杂的类别层次结构以及标记稀疏等多重挑战,其中,标记稀疏性导致监督信息不足,进而削弱特征选择的效果.针对该问题,提出一种新的层次特征选择方法——基于标记模糊化的层次特征选择方法(Hierarchical Feature Selection Based on Label Fuzzification,HFSLF),其核心思想是通过增强稀疏标记的语义表达能力来改善监督信息.具体地,HFSLF首先利用兄弟关系构建类别间的模糊相似性,并利用该相似性将样本的原始标记转化为标记分布,这一转化过程有效扩展了监督信息的覆盖范围,增强了稀疏场景下的语义监督表达.进一步,所提算法以特征与标记分布之间的互信息为监督信号,引导特征权重逼近其对应的互信息值,从而增强模型对高相关性特征的选择偏好.在六个层次数据集上的实验证明了所提算法的有效性.
龚匡丰;李国和;郭凌云;林耀进
中国石油大学(北京)人工智能学院,北京102249 龙岩学院数学与信息工程学院,龙岩364000中国石油大学(北京)人工智能学院,北京102249 新疆油气智能勘探与开发重点实验室,中国石油大学(北京)克拉玛依校区,克拉玛依834000河南师范大学软件学院,新乡453007闽南师范大学计算机学院,漳州363000
信息技术与安全科学
特征选择分层分类学习标记模糊化互信息
《南京大学学报(自然科学版)》 2026 (1)
P.151-162,12
国家自然科学基金(62576158)中国石油大学(北京)克拉玛依校区科研基金(RCYJ2016B-03-001,XQZX20240032)克拉玛依科技计划(2020CGZH0009)。
评论