块模型引导的无监督特征选择

特征选择是数据挖掘的核心领域，近期出现了针对关联数据的图驱动无监督特征选择创新。在此设定下，我们有一个数据集 $\mathbf{Y}$，包含 $n$ 个样本，每个样本有 $m$ 个特征，以及一个对应的 $n$ 节点图（其邻接矩阵为 $\mathbf{A}$），边表示两个样本相似。现有针对属性网络的无监督特征选择工作要么直接通过求解 $f$ 使得 $f(\mathbf{y}_i,\mathbf{y}_j) \approx \mathbf{A}_{i,j}$ 来重建链接，要么在 $\mathbf{A}$ 中发现社区结构并利用 $\mathbf{Y}$ 中的特征预测这些社区。然而，图驱动无监督特征选择作为一个探索更复杂引导机制的领域仍研究不足。此处我们采用一种新方法：首先在图上构建块模型，然后利用块模型进行特征选择。即，我们发现 $\mathbf{F}\mathbf{M}\mathbf{F}^T \approx \mathbf{A}$，然后找到特征子集 $\mathcal{S}$，由其诱导的另一图来同时保持 $\mathbf{F}$ 和 $\mathbf{M}$。我们称该方法为块模型引导的无监督特征选择（BMGUFS）。实验结果表明，我们的方法在多个真实公开数据集上为聚类寻找高质量特征时优于最先进方法。