通过随机投影进行维度约简是否保留景观特征？
机器学习
2026-04-16 v1 神经与进化计算
摘要
探索性景观分析 (ELA) 提供用于表征黑盒优化问题的numerical features。在高维情境下，ELA 受稀疏效应、高估计方差以及计算多个特征类别的昂贵成本限制。因此，已提出维度约减作为一种方法，使 ELA 在此类情境下适用，但仍不清楚在约减空间中计算的特征是否仍反映原始景观的内在属性。本文研究通过随机高斯嵌入 (RGEs) 进行的维度约减对 ELA 特征的鲁棒性。我们从相同的样本点和目标值开始，在投影空间中计算 ELA 特征，并将其与在原始搜索空间中获得的特征进行比较，跨越多个样本预算和嵌入维度。我们的结果表明，线性随机投影常常会改变 ELA 相关的几何和拓扑结构，导致特征值不再代表原始问题。尽管一小部分特征在比较上保持较稳定，但大多数特征对嵌入高度敏感。此外，鲁棒性并不一定意味着信息丰富，因而看似稳健的特征可能仍反映投影引起的偏差，而非内在景观特征。
引用
@article{arxiv.2604.13230,
title = {Does Dimensionality Reduction via Random Projections Preserve Landscape Features?},
author = {Iván Olarte Rodríguez and Anja Jankovic and Thomas Bäck and Elena Raponi},
journal= {arXiv preprint arXiv:2604.13230},
year = {2026}
}
备注
9 Pages, 5 figures, Submitted and accepted to Proceedings of The Genetic and Evolutionary Computation Conference 2026,