基于一致稀疏图学习的半监督多标签特征选择
机器学习
2025-05-26 v1
摘要
在实际应用领域中，高维数据常与多样化语义标签相关联，而传统特征选择方法则为单标签数据设计。此外，现有的多标签方法在半监督场景下面临两个主要挑战：（1）大多数半监督方法缺乏足够的标记样本，无法评估标签间的相关性，这是多标签特征选择的关键信息，导致标签特定特征被丢弃。（2）基于图的方法直接从原始特征空间构建相似图结构，对多标签问题不够优化，导致软标签不可靠，影响特征选择性能。为克服上述问题，我们提出了一种用于多标签半监督特征选择的一致稀疏图学习方法（SGMFS），通过保持空间一致性并在半监督场景下学习标签相关性来提升特征选择性能。具体而言，为解决挑战（1），SGMFS从投影特征中学习低维且独立的标签子空间，能够兼顾多个标签，有效实现标签间的相关性。为解决挑战（2），SGMFS不再为半监督学习构造固定的相似图，而是在标签空间和已学习子空间中同时对样本进行稀疏重构，充分探索数据的内在结构。如此一来，相似图能够自适应地学习，以保持标签空间与已学习子空间之间的一致性，从而促进对未标记样本的适当软标签传播，促进最终的特征选择。我们设计了一种有效的求解方法，具有快速收敛性。大量实验验证了 SGMFS 的优越性。
引用
@article{arxiv.2505.17875,
title = {Semi-Supervised Multi-Label Feature Selection with Consistent Sparse Graph Learning},
author = {Yan Zhong and Xingyu Wu and Xinping Zhao and Li Zhang and Xinyuan Song and Lei Shi and Bingbing Jiang},
journal= {arXiv preprint arXiv:2505.17875},
year = {2025}
}