基于权重稳定性的可扩展无监督特征选择
机器学习
2026-05-19 v5
摘要
无监督特征选择对于改善高维数据中的聚类性能至关重要，因而不相关的特征会遮蔽有意义的结构。在本工作中，我们引入了基于Minkowski加权k-means++的初始策略，这是一种新的Minkowski加权k-means的初始化方法。我们的初始化方法根据数据自身派生的特征相关性估计以概率方式选择簇心。基于此，我们提出了两个新的特征选择算法：FS-MWK++，该算法聚合Minkowski指数范围内的特征权重，以识别稳定且信息丰富的特征；以及SFS-MWK++，这是一种基于抽样的可扩展变体。我们提供了理论分析，证明在对噪声特征和簇结构进行明确假设后，相关特征在各种Minkowski指数下被赋予的权重高于噪声特征。我们的软件可在 https://github.com/xzhang4-ops1/FSMWK 查找。
引用
@article{arxiv.2506.06114,
title = {Scalable unsupervised feature selection via weight stability},
author = {Xudong Zhang and Renato Cordeiro de Amorim},
journal= {arXiv preprint arXiv:2506.06114},
year = {2026}
}