基于瓦萨斯坦距离的特征选择
机器学习
2024-11-15 v3
摘要
本文提出了一种利用瓦萨斯坦距离改进机器学习特征选择的新方法。与基于相关性或 Kullback-Leibler（KL）散度的传统方法不同，我们的方法使用瓦萨斯坦距离评估特征相似性，固有地捕捉类别关系，使其对噪声标签具有鲁棒性。我们引入了一种基于马尔可夫毯的特征选择算法并证明了其有效性。我们的分析表明，基于瓦萨斯坦距离的特征选择方法能有效降低噪声标签的影响，而不依赖特定的噪声模型。我们给出了其有效性的下界，即使在存在噪声的情况下该下界仍有意义。多数据集上的实验结果表明，我们的方法持续优于传统方法，特别是在噪声环境下。
引用
@article{arxiv.2411.07217,
title = {Feature Selection Based on Wasserstein Distance},
author = {Fuwei Li},
journal= {arXiv preprint arXiv:2411.07217},
year = {2024}
}