SEHFS：结构熵引导的高阶关联学习用于多视图多标签特征选择
机器学习
2026-03-04 v1
摘要
近年来，由于其与实际场景的高度吻合，多视图多标签学习 (MVML) 受到了广泛关注。信息论方法因能够学习非线性关联而备受青睐。然而，仍存在两个关键挑战：其一，现实数据中的特征常 exhibits 高阶结构关联，而现有的信息论方法难以学习此类关联；其二，依赖启发式优化的做法容易陷入局部最优。为此，我们提出了一种新方法，称为结构熵引导的高阶关联学习用于多视图多标签特征选择 (SEHFS)。SEHFS 的核心思想是将特征图转换为一个结构熵最小化编码树，从而量化高阶依赖的信息成本，从而学习超越成对关联的高阶特征关联。具体而言，具有强高阶冗余的特征被聚类到编码树中的单个簇，而簇间特征关联被最小化，从而消除簇内和跨簇的冗余。此外，采用一种基于信息论与矩阵方法融合的新框架，学习共享语义矩阵和视图特定贡献矩阵，以重构全局视图矩阵，从而增强信息论方法并实现全局与局部优化之间的平衡。我们理论上证明了结构熵学习高阶关联的能力，并通过八个来自不同领域的数据集的实验和消融研究表明，SEHFS 在特征选择方面取得优异性能。
引用
@article{arxiv.2603.03022,
title = {SEHFS: Structural Entropy-Guided High-Order Correlation Learning for Multi-View Multi-Label Feature Selection},
author = {Cheng Peng and Yonghao Li and Wanfu Gao and Jie Wen and Weiping Ding},
journal= {arXiv preprint arXiv:2603.03022},
year = {2026}
}