TRUST-FS：面向不完全数据的张量化可靠无监督多视图特征选择
机器学习
2025-11-12 v2
摘要
多视图无监督特征选择（MUFS）从多视图无标签数据中选择信息丰富的特征，近年来受到越来越多的关注。尽管已为 MUFS 付出了大量努力，但仍面临若干挑战：1）现有方法仅限于处理缺失视图，无法处理更一般的缺失变量情形，即某些特征在特定视图中存在缺失值；2）大多数方法通过先对缺失值进行插补，再进行特征选择， treating 这两个过程独立，忽略了它们之间的相互作用；3）缺失数据可能导致相似图不准确，从而降低特征选择性能。为解决这一困境，我们提出一种面向不完全多视图数据（带缺失变量）的新型 MUFS 方法，称为 Tensorized Reliable UnSupervised mulTi-view Feature Selection（TRUST-FS）。TRUST-FS 引入一种新的自适应加权 CP 分解，同时实现特征选择、缺失变量插补和视图权重学习，形成统一的张量分解框架。通过利用主观逻辑获取可信赖的跨视图相似性信息，TRUST-FS 促进学习可靠相似图，从而指导特征选择和插补。综合实验结果表明，我们的方法在性能上优于最新方法。
引用
@article{arxiv.2509.13192,
title = {TRUST-FS: Tensorized Reliable Unsupervised Multi-View Feature Selection for Incomplete Data},
author = {Minghui Lu and Yanyong Huang and Minbo Ma and Jinyuan Chang and Dongjie Wang and Xiuwen Yi and Tianrui Li},
journal= {arXiv preprint arXiv:2509.13192},
year = {2025}
}