基于狄利克雷能量的特征与可微 $k$ 近邻图联合学习
机器学习
2023-11-10 v2
摘要
特征选择（FS）在机器学习中起着重要作用，其提取重要特征并加速学习过程。本文提出一种深度特征选择方法，基于狄利克雷能量同时开展特征选择与可微 -NN 图学习。狄利克雷能量通过度量特征在图结构上的平滑性来识别重要特征，并促进学习一个反映新特征子空间中固有结构的新图。我们采用最优传输理论解决神经网络中 -NN 图学习的不可微问题，这在理论上使我们的方法可应用于其他图神经网络进行动态图学习。此外，由于所有模块均为算法化设计，所提框架具有可解释性。我们在合成与真实世界数据集上通过大量实验验证了模型的有效性。
引用
@article{arxiv.2305.12396,
title = {Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy},
author = {Lei Xu and Lei Chen and Rong Wang and Feiping Nie and Xuelong Li},
journal= {arXiv preprint arXiv:2305.12396},
year = {2023}
}
备注
Accepted by NeurIPS 2023