基于差分演化的数据流在线稀疏特征选择
机器学习
2025-11-26 v1 人工智能
摘要
高维流式数据处理通常利用在线流式特征选择（OSFS）技术。然而，实际实现常面临由于设备故障和技术限制导致的数据不完整问题。Online Sparse Streaming Feature Selection（OS2FS）通过基于潜在因子分析的缺失数据插补来解决此问题。尽管如此，现有的 OS2FS 方法在特征评估方面存在显著局限，导致性能恶化。为克服这些不足，本文提出了一种新颖的方法：在数据流中引入差分演化进行稀疏特征选择（ODESFS），其包含两个关键创新：(1) 基于潜在因子分析模型的缺失值插补；(2) 通过差分演化进行特征重要性评估。在六个真实数据集上进行的全面实验表明，ODESFS 在选择最优特征子集方面 consistently 优于最先进的 OSFS 和 OS2FS 方法，实现了卓越的准确率。
引用
@article{arxiv.2511.19555,
title = {Online Sparse Feature Selection in Data Streams via Differential Evolution},
author = {Ruiyang Xu},
journal= {arXiv preprint arXiv:2511.19555},
year = {2025}
}