用于特征选择的分形自编码器
机器学习
2022-01-06 v2
摘要
特征选择通过识别最具信息量的特征子集来降低数据维度。本文提出一种称为分形自编码器（FAE）的无监督特征选择创新框架。它训练神经网络以定位具有信息量的特征，用于可表示性的全局探索和多样性的局部挖掘。在架构上，FAE 通过添加一个一对一评分层和一个小型子神经网络以无监督方式进行特征选择，从而扩展了自编码器。凭借如此简洁的架构，FAE 取得了最先进（state-of-the-art）的性能；在包括极高维数据在内的十四个数据集上的广泛实验结果证明了 FAE 相对于现有同期无监督特征选择方法的优越性。特别地，FAE 在基因表达数据探索上展现出显著优势，相较广泛使用的 L1000 landmark 基因将测量成本降低了约 \%。此外，我们展示了 FAE 框架通过一个应用可轻松扩展。
引用
@article{arxiv.2010.09430,
title = {Fractal Autoencoders for Feature Selection},
author = {Xinxing Wu and Qiang Cheng},
journal= {arXiv preprint arXiv:2010.09430},
year = {2022}
}
备注
Published as a conference paper at AAAI 2021