随机流形采样与联合稀疏正则化用于多标签特征选择
机器学习
2023-03-31 v3 机器学习
摘要
多标签学习通常用于挖掘特征与标签之间的相关性，而特征选择可通过少量特征尽可能保留信息。 正则化方法能得到稀疏系数矩阵，但无法有效解决多重共线性问题。本文提出的模型通过求解 与 正则化的联合约束优化问题，可获得最相关的少数特征。在流形正则化中，我们基于联合信息矩阵实施随机游走策略，得到高度鲁棒的邻域图。此外，我们给出了模型的求解算法并证明了其收敛性。在真实数据集上的对比实验表明，所提方法优于其他方法。
引用
@article{arxiv.2204.06445,
title = {Random Manifold Sampling and Joint Sparse Regularization for Multi-label Feature Selection},
author = {Haibao Li and Hongzhi Zhai},
journal= {arXiv preprint arXiv:2204.06445},
year = {2023}
}
备注
17pages, 8figures, 6tables