典型文献
基于自适应图学习的半监督特征选择
文献摘要：
随着数据特征维数的增加,如何在少量有标签和大量无标签高维样本的情况下选择相关的特征子集已成为特征选择领域的热点问题.针对现有半监督特征选择算法直接忽略特征选择与局部结构学习之间的相互作用,从而难以有效获取样本分布结构的问题,本文提出了一种基于自适应图学习的半监督特征选择(Semi-supervised Fea?ture Selection with Adaptive Graph learning,SFSAG)算法.利用标签传播将特征空间的稀疏投影学习和近邻图的构建有效地结合起来,实现在选择相关特征的同时还能学习样本的局部结构;自适应地利用样本在投影特征空间中的相似性信息构建可靠的近邻图,从而有效降低噪声特征的干扰并选择更具判别性的特征子集.多种数据集上的实验验证了SFSAG的有效性及其相对于现有半监督特征选择算法的优越性.
文献关键词：
特征选择;自适应图学习;半监督学习;标签传播;L2;1稀疏正则化
中图分类号：
作者姓名：
江兵兵;何文达;吴兴宇;项俊浩;洪立斌;盛伟国
作者机构：
杭州师范大学信息科学与技术学院,浙江杭州311121;中国科学技术大学计算机科学与技术学院,安徽合肥230027
文献出处：
引用格式：
[1]江兵兵;何文达;吴兴宇;项俊浩;洪立斌;盛伟国-.基于自适应图学习的半监督特征选择)[J].电子学报,2022(07):1643-1652
A类：
自适应图学习,SFSAG,投影学习
B类：
数据特征,无标签,高维,特征子集,特征选择算法,局部结构学习,样本分布,分布结构,Semi,supervised,Fea,ture,Selection,Adaptive,Graph,learning,标签传播,特征空间,稀疏投影,近邻图,信息构建,低噪声,噪声特征,判别性,半监督学习,L2,稀疏正则化
AB值：
0.298711
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
