基于粗糙球知识迁移的开放式持续特征选择

本文提出了一种新型框架，用于数据预处理中的持续特征选择（CFS），尤其适用于面向开放且动态环境的场景，其中可能出现未知类别。CFS面临两个主要挑战：未知知识的发现以及已知知识的迁移。为此，提出的CFS方法将持续学习（CL）与粗糙球计算（GBC）的优势相结合，后者专注于构建粗糙球知识库以检测未知类别并促进先前学习知识的迁移，用于进一步特征选择。CFS包含两个阶段：初始学习和开放式学习。前者旨在通过粗糙球的多层次表示建立初始知识库。后者利用先前的粗糙球知识识别未知类别，更新知识库以进行粗糙球知识迁移，强化旧知识，同时整合新知识。随后，我们构建了最优特征子集机制，将最小数量的新特征纳入现有最优子集，通常在每个周期内产生更优异的结果。在公共基准数据集上的大量实验结果表明，我们的方法在有效性和效率方面均优于当前最先进的特征选择方法。