冗余感知特征选择算法

低冗余高泛化

在去除无关特征的同时消除冗余特征，无需先验知识即可选出高判别性特征子集。

Miao, Jianyu · Jingjing, Zhao · 杨铁军 · 樊超 · 田英杰 · Mingliang, Xu

Pattern Recognition 2026

技术优势

摆脱先验依赖

融合多种特征关系度量构建全面准确的特征相关性指标，引导低冗余学习，无需设定冗余阈值或先验结构。

保留判别结构

同时最小化原始空间与目标空间距离和最大化数据投影方差，确保降维后数据保持判别信息，利于后续分类聚类。

优化稳定高效

采用ADMM求解所提模型，通常有效且高效，保证算法收敛稳定。

应用场景

• 高维数据特征工程：对高维数据集自动筛除冗余与无关特征，降低维度并提升下游模型性能。
• 资源受限设备数据分析：选择少量特征子集，减少计算与存储开销，使数据分析可在资源受限设备上运行。
• 生物组学特征筛选：处理生物组学高维数据，无先验知识筛选标志性特征，辅助发现关键分子。
• 医疗数据降维分析：对医疗数据降维，去除冗余特征，提高诊断模型的可解释性与泛化能力。