多标记特征选择算法

融合多种特征相关性

在鲁棒多邻域模糊β覆盖空间中同时考虑特征间的相关性、冗余性、交互性和互补性，从而更全面地评估特征重要性。

Yin, Tengyu · 陈红梅 · Wan, Jihong · 张鹏飞 · Horng, Shi Jinn · 李天瑞

Information Fusion 2024

技术优势

全面评估特征

同时衡量特征与标记之间的相关性，以及特征之间的冗余性、交互性和互补性，避免遗漏重要特征组合。

抗噪声干扰

通过参数化多标记模糊β覆盖关系构建鲁棒的粒空间，有效抵抗多标记数据中的模糊性、不确定性和噪声。

分类更准确

引入多标记模糊β覆盖决策，提升多标记学习的准确性和鲁棒性。

应用场景

• 模式识别：为模式识别任务筛选出区分力强的特征子集，提升高维多标记场景下的分类性能。
• 数据挖掘：在多标记数据挖掘中降维去噪，保留关键信息，加速知识发现过程。
• 医疗诊断：从高维医学数据中识别与多种疾病相关的关键特征，辅助临床决策。
• 智能系统：为智能系统提供可靠的特征选择模块，增强复杂环境下模型的鲁棒性。
• 多标记学习：作为多标记学习的预处理步骤，通过挖掘特征多相关性提升学习模型的质量。