面向物联网环境的基于信息论的联邦多标签特征选择方法 FMLFS

在健康监测可穿戴设备和交通监控系统等新兴应用中，物联网设备会生成或收集大量多标签数据集。在这些数据集中，每个实例与一组标签相关联。数据集中存在的噪声、冗余或无关特征，以及维度灾难，给多标签分类器带来挑战。特征选择（FS）是提高分类器性能并解决这些挑战的有效策略。然而，目前文献中尚无一种适用于物联网环境下分布式多标签数据集的分布式多标签 FS 方法。本文引入了 FMLFS，即第一个联邦多标签特征选择方法。本方法以特征与标签之间的互信息作为相关性度量标准，利用互信息和联合熵推导的特征间的相关距离作为冗余度量标准。聚合这些度量后，边缘服务器采用帕累托双目标和拥挤距离策略，对特征进行排序，然后将排序后的特征发送回物联网设备。对该方法进行了评估，包括两个场景：1）传输较小尺寸的数据集至边缘服务器用于集中式分类器使用；2）使用较小尺寸的数据集进行联邦学习。在性能、时间复杂度和通信成本三个指标上的评估表明，FMLFS 在文献中对比五种其他方法后表现更优，在三个真实世界数据集上提供了良好的权衡。