基于自适应邻域嵌入的无监督特征选择算法

刘艳芳; 李文斌; 高阳

doi:10.7544/issn1000-1239.2020.20200219

基于自适应邻域嵌入的无监督特征选择算法

¹(计算机软件新技术国家重点实验室(南京大学) 南京 210023)
²(龙岩学院数学与信息工程学院福建龙岩 364012) (liuyanfang003@163.com)

基金项目: 国家重点研发计划项目(2017YFB0702600, 2017YFB0702601)；国家自然科学基金项目(61806096)；福建省中青年教师教育科研项目(科技类)(JAT170577,JAT190743)；龙岩市科技计划项目(2019LYF13002)

详细信息

中图分类号: TP391
计量
- 文章访问数: 950
- HTML全文浏览量: 1
- PDF下载量: 482
出版历程
- 发布日期: 2020-07-31

Adaptive Neighborhood Embedding Based Unsupervised Feature Selection

¹(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023)
²(College of Mathematics and Information Engineering, Longyan University, Longyan, Fujian 364012)

Funds: This work was supported by the National Key Research and Development Program of China (2017YFB0702600, 2017YFB0702601), the National Natural Science Foundation of China (61806096), the Education Scientific Research Project of Young Teachers of Fujian Province (JAT170577, JAT190743), and the Science and Technology Project of Longyan City (2019LYF13002).

摘要

摘要: 无监督特征选择算法可以对高维无标记数据进行有效的降维，从而减少数据处理的时间和空间复杂度，避免算法模型出现过拟合现象.然而，现有的无监督特征选择方法大都运用k近邻法捕捉数据样本的局部几何结构，忽略了数据分布不均的问题.为了解决这个问题，提出了一种基于自适应邻域嵌入的无监督特征选择(adaptive neighborhood embedding based unsupervised feature selection, ANEFS)算法,该算法根据数据集自身的分布特点确定每个样本的近邻数，进而构造样本相似矩阵，同时引入从高维空间映射到低维空间的中间矩阵，利用拉普拉斯乘子法优化目标函数进行求解.6个UCI数据集的实验结果表明：所提出的算法能够选出具有更高聚类精度和互信息的特征子集.
- k近邻 /
- 自适应邻域 /
- 流形学习 /
- 特征选择 /
- 无监督学习
Abstract: Unsupervised feature selection algorithms can effectively reduce the dimensionality of high-dimensional unmarked data, which not only reduce the time and space complexity of data processing, but also avoid the over-fitting phenomenon of the feature selection model. However, most of the existing unsupervised feature selection algorithms use k-nearest neighbor method to capture the local geometric structure of data samples, ignoring the problem of uneven data distribution. To solve this problem, an unsupervised feature selection algorithm based on adaptive neighborhood embedding (ANEFS) is proposed. The algorithm determines the number of neighbors of samples according to the distribution of datasets, and then constructs similarity matrix. Meanwhile, a mid-matrix is introduced which maps from high-dimensional space to low-dimensional space, and Laplacian multiplier method is used to optimize the reconstructed function. The experimental results of six UCI datasets show that the proposed algorithm can select representative feature subsets which have higher clustering accuracy and normalize mutual information.
- k-nearest neighbor /
- adaptive neighborhood /
- manifold learning /
- feature selection /
- unsupervised learning

HTML全文

参考文献(0)

施引文献(31)

期刊类型引用(11)

1.	周显春，喻佳. 基于图神经网络的人工自然语言语义挖掘仿真. 计算机仿真. 2024(01): 344-348 . 百度学术
2.	孟祥福，田友发，张霄雁. 基于LightGBM模型的肺腺癌免疫相关基因筛选与患者生存率预测. 生物医学工程学杂志. 2024(01): 70-79 . 百度学术
3.	陈伟，周丽华，王亚峰，王丽珍，陈红梅. 异质信息网络中基于解耦图神经网络的社区搜索. 计算机科学. 2024(03): 90-101 . 百度学术
4.	万齐智，万常选，胡蓉，刘德喜，刘喜平，廖国琼. 面向研究问题的深度学习事件抽取综述. 自动化学报. 2024(11): 2079-2101 . 百度学术
5.	刘超，孔兵，杜国王，周丽华，陈红梅，包崇明. 高阶互信息最大化与伪标签指导的深度聚类. 浙江大学学报(工学版). 2023(02): 299-309 . 百度学术
6.	杨成波，周丽华，黄亚群，杨宇迪. 异质网络中基于关键词属性的Truss社区搜索. 计算机应用研究. 2023(06): 1708-1714 . 百度学术
7.	白明昌. 基于折叠路径聚合的属性网络节点嵌入方法. 计算机工程. 2023(07): 76-84 . 百度学术
8.	谢小杰，梁英，王梓森，刘政君. 基于图卷积的异质网络节点分类方法. 计算机研究与发展. 2022(07): 1470-1485 . 本站查看
9.	王宏琳，杨丹，聂铁铮，寇月. 自注意力机制的属性异构信息网络嵌入的商品推荐. 计算机研究与发展. 2022(07): 1509-1521 . 本站查看
10.	盛妍，朱龙珠，丁毛毛，刘鲲鹏，刘海龙. 面向电力服务情绪识别的图卷积网络方法研究. 电子器件. 2022(04): 959-963 . 百度学术
11.	李琳，梁永全，刘广明. 基于重启随机游走的图自编码器. 计算机应用研究. 2021(10): 3009-3013 . 百度学术