基于正交OCCA的(2,1)-范数正则化特征选择新方法
数值分析
2025-02-27 v1 数值分析
最优化与控制
摘要
提出一种通过正交标准相关分析（OCCA）实现的特征选择模型，采用-范数正则化，并通过一种实际的NEPv方法（非线性特征值问题，具有特征向量依赖性）求解，得到称为OCCA-FS的特征选择方法。证明OCCA-FS始终产生单调目标值递减的近似序列且全局收敛。进行大量数值实验比较OCCA-FS与现有特征选择方法。数值结果表明，OCCA-FS在分类性能上优于现有方法，在所有比较方法中常常居于首位。
引用
@article{arxiv.2502.18633,
title = {An NEPv Approach for Feature Selection via Orthogonal OCCA with the (2,1)-norm Regularization},
author = {Li Wang and Lei-Hong Zhang and Ren-Cang Li},
journal= {arXiv preprint arXiv:2502.18633},
year = {2025}
}