边缘拉普拉斯分数

高维不平衡数据带来了机器学习挑战。在缺乏充足或高质量标签的情况下，无监督特征选择方法对于后续算法的成功至关重要。因此，我们引入了边缘拉普拉斯分数（MLS），这是对众所周知的拉普拉斯分数（LS）的改进，旨在更好地处理不平衡数据。我们引入一个假设，即少数类或异常更频繁地出现在特征的边缘中。因此，MLS 旨在保留数据集边缘的局部结构。我们提出将其集成到利用拉普拉斯分数的现代特征选择方法中。我们将 MLS 算法集成到可微分无监督特征选择（DUFS）中，得到 DUFS-MLS。所提出的方法在合成和公开数据集上展示了鲁棒且改进的性能。