面向大规模特征选择的自监督数据驱动粒子群优化算法

摘要：

大规模特征选择问题的求解通常面临两大挑战:一是真实标签不足,难以引导算法进行特征选择;二是搜索空间规模大,难以搜索到满意的高质量解.为此,提出了新型的面向大规模特征选择的自监督数据驱动粒子群优化算法.第一,提出了自监督数据驱动特征选择的新型算法框架,可不依赖于真实标签进行特征选择.第二,提出了基于离散区域编码的搜索策略,帮助算法在大规模搜索空间中找到更优解.第三,基于上述的框架和方法,提出了自监督数据驱动粒子群优化算法,实现对问题的求解.在大规模特征数据集上的实验结果显示,提出的算法与主流有监督算法表现相当,并比前沿无监督算法具有更高的特征选择效率.

关键词：特征选择、大规模优化、粒子群优化算法、进化计算、群体智能、数据驱动、自监督学习、离散区域编码

所属期刊栏目：18

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2023-03-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：194-206