堆叠特征强化学习：基于迭代双准则特征选择的生物标志物稳定发现
机器学习
2026-05-06 v2
摘要
高维基因组数据 () 的特征选择需求在于同时满足准确、稀疏和稳定。现有方法要么需要手动指定阈值（mRMR、稳定性选择），要么在数据扰动下产生不稳定的选择（Lasso、Boruta），要么完全忽略生物学结构。我们引入 StackFeat-RL，这是一个基于 REINFORCE 政策梯度优化迭代双准则特征选择算法超参数的元学习框架。双准则要求系数一致性和选择频率，旨在防止单准则方法所忽略的两种失效模式，而迭代累积通过大数定律提供收敛保证。在新冠肺炎 miRNA 数据 (GSE240888, 332 个特征) 和三组阿尔茨海默病分类任务 (GSE84422, 13237 基因; 正常 vs. 可能, 潜在, 和确诊 AD) 上，StackFeat-RL 在所有评估方法中实现最高的预测准确率，包括 ElasticNet、Boruta、mRMR 和稳定性选择，同时仅需 3--4 更少的特征。
引用
@article{arxiv.2604.22892,
title = {StackFeat RL: Reinforcement Learning over Iterative Dual Criterion Feature Selection for Stable Biomarker Discovery},
author = {A. Yermekov and D. A. Herrera-Martí},
journal= {arXiv preprint arXiv:2604.22892},
year = {2026}
}
备注
7 pages. Submitted to eccb2026