Unsupervised Feature Selection via Nonlinear Representation and Adaptive Structure Preservation

计算机科学 特征选择 人工智能 非线性降维 模式识别(心理学) 降维 特征学习 机器学习 水准点(测量) 数据挖掘 特征(语言学) 冗余(工程) 非线性系统 熵(时间箭头) 维数之咒 图形 理论计算机科学 语言学 哲学 物理 大地测量学 操作系统 量子力学 地理
作者
Aihong Yuan,Lin Lin,Peiqi Tian,Qinrong Zhang
出处
期刊:Lecture Notes in Computer Science 卷期号:: 138-157
标识
DOI:10.1007/978-981-99-8540-1_12
摘要

Unsupervised feature selection has attracted increasing attention for its promising performance on high dimensional data with higher dimensionality and more expensive labeling costs. Existing unsupervised feature selection methods mostly assume that linear relationships can interpret all feature associations. However, data with exclusively linear relationships are rare and impractical. Moreover, the quality of the similarity matrix significantly affects the effectiveness of conventional spectral-based methods. Real-world data contains lots of noise and redundancy, making the similarity matrix built using the raw data unreliable. To address these problems, we propose a novel and robust method for feature selection over a novel nonlinear mapping function, aiming to mine the nonlinear relationships among features. Furthermore, we incorporated manifold learning into our training process, embedded with adaptive graph constraints based on the principle of maximum entropy, to maintain the intrinsic structure of the data and simultaneously capture more accurate information. An efficient and effective algorithm was designed to perform our method. Experiments with eight benchmark datasets from face images, biology, and time series outperformed nine state-of-the-art algorithms, validating the superiority and effectiveness of our method. The source code is available at https://github.com/aasdlaca/NRASP .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
北长雨安完成签到,获得积分10
刚刚
️语完成签到,获得积分10
刚刚
leolee完成签到 ,获得积分10
1秒前
hhh完成签到,获得积分10
1秒前
SESAME复合体完成签到,获得积分10
1秒前
沙克几十块完成签到,获得积分10
1秒前
Lucas应助LLLLL采纳,获得10
1秒前
调研昵称发布了新的文献求助30
2秒前
2秒前
松松包完成签到,获得积分10
4秒前
4秒前
zcg完成签到,获得积分10
5秒前
七庙完成签到,获得积分10
5秒前
果然发布了新的文献求助10
6秒前
cckyt完成签到,获得积分10
6秒前
HeHe完成签到,获得积分20
6秒前
小橙完成签到 ,获得积分10
6秒前
袁青欣完成签到 ,获得积分10
6秒前
7秒前
花火完成签到,获得积分10
7秒前
感性的安露举报求助违规成功
7秒前
iNk举报求助违规成功
7秒前
嗯哼举报求助违规成功
7秒前
7秒前
谦让傲菡完成签到 ,获得积分10
7秒前
舒适怀寒完成签到 ,获得积分10
7秒前
大鱼完成签到 ,获得积分10
8秒前
8秒前
coolru发布了新的文献求助50
8秒前
青槿完成签到,获得积分10
9秒前
Jun发布了新的文献求助10
10秒前
10秒前
拿着脏兮兮的蜡笔完成签到,获得积分20
10秒前
莴苣完成签到,获得积分10
11秒前
Rainbow完成签到,获得积分10
11秒前
大气寄松完成签到,获得积分10
13秒前
Qingcyx发布了新的文献求助10
13秒前
快递乱跑完成签到 ,获得积分10
14秒前
14秒前
14秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3099914
求助须知:如何正确求助?哪些是违规求助? 2751373
关于积分的说明 7613446
捐赠科研通 2403368
什么是DOI,文献DOI怎么找? 1275253
科研通“疑难数据库(出版商)”最低求助积分说明 616318
版权声明 599053