基于群组结构分析的在线特征选择

近年来，动态特征的在线选择引起了广泛关注。然而，现有的在线特征选择方法独立评估每个特征，忽略了特征流的底层结构。例如，在图像分析中，特征以群组形式生成，分别表示颜色、纹理和其他视觉信息。在特征选择中简单打破群组结构可能会降低性能。受此启发，我们将该问题形式化为在线群组特征选择。该问题假设特征逐个生成，但特征流中存在群组结构。据我们所知，这是首次在在线特征选择过程中考虑特征流之间的相关性。为解决此问题，我们提出了一种新颖的在线群组特征选择方法，命名为OGFS。该方法包含两个阶段：在线组内选择和在线组间选择。在组内选择阶段，我们设计了一个基于谱分析的准则，用于在每个群组中选择具有判别力的特征。在组间选择阶段，我们利用线性回归模型选择最优子集。此两阶段过程持续进行，直到没有更多特征到达或满足某些预定义的停止条件。最后，我们将该方法应用于包括图像分类和人脸验证在内的多项任务。在真实世界和基准数据集上进行的大量实证研究表明，我们的方法优于其他最先进的在线特征选择方法。