基于低维表示驱动的 TSK 模糊系统特征选择
机器学习
2025-09-16 v1
摘要
特征选择可以选择重要特征以解决维度诅咒。子空间学习是一种广泛使用的数据维度降低方法，可将原始数据投影到低维空间中。然而，低维表示常被转换回原始空间，导致信息损失。此外，基于门函数的方法在 Takagi-Sugeno-Kang（TSK）模糊系统（TSK-FS）中通常 discrimination 较差。为了解决这些问题，本文提出一种将子空间学习与 TSK-FS 集成的新型特征选择方法。具体而言，使用投影矩阵拟合内在的低维表示。随后，将低维表示输入 TSK-FS 以衡量其可用性。 firing strength 被松化，以避免 TSK-FS 受数值下溢的限制。最后，引入 -范数来选择显著特征，并讨论与相关工作的联系。对所提出方法在 18 个数据集上的 6 种最先进方法进行评估，结果表明所提出方法具有优势。
引用
@article{arxiv.2501.12607,
title = {Low-Dimensional Representation-Driven TSK Fuzzy System for Feature Selection},
author = {Qiong Liu and Mingjie Cai and Qingguo Li},
journal= {arXiv preprint arXiv:2501.12607},
year = {2025}
}