面向无监督特征选择的联合自适应图与结构化稀疏正则化方法

特征选择是数据挖掘与机器学习中重要的数据预处理步骤，可在不损害模型性能的前提下降低特征维度。由于在多数情况下获取标注数据费力甚至不可行，无监督特征选择在实际中更具实用性。尽管已提出大量无监督特征选择方法，这些方法独立地选择特征，因而无法保证所选特征组是最优的。此外，所选特征的数量必须仔细调参以获得满意结果。为解决这些问题，本文提出一种联合自适应图与结构化稀疏正则化的无监督特征选择（JASFS）方法，其中在流形学习中针对变换矩阵引入 $l_{2,0}$-范数正则项用于特征选择，并将图正则项纳入学习模型以自适应地学习数据的局部几何结构。设计了一种高效且简单的迭代算法来求解所提优化问题，并分析了计算复杂度。优化后将以组的形式选出最优特征子集，且所选特征数量自动确定。在八个基准数据集上的实验结果表明，与几种最先进的方法相比，所提方法有效且高效。