摘要
努拉·努艾米、穆罕默德·梅赫迪·马苏德、穆罕默德·阿德尔·塞哈尼和纳扎尔·扎基。 2019.大数据流特征选择算法:调查。 应用计算与信息学(2019)。 谷歌学者 D.P.Bertsekas博士。 2006.非线性规划。 雅典娜科技。 谷歌学者 魏碧和詹姆斯·郭台铭。 2011.树和数据结构层次的多标签分类。 在第28届国际机器学习大会论文集(ICML'11)上。 17–24. 谷歌学者 数字图书馆 阿尔贝托·卡诺、何塞·玛丽亚·卢纳、伊娃·L.吉巴亚和塞巴斯蒂安·文图拉。 2016。多标签数据的LAIM离散化。 信息科学330(2016),370-384。 谷歌学者 数字图书馆 Hai Ha Do、P.W.C.Prasad、Angelika Maag和Aber Alsadon。 2019.基于方面的情绪分析的深度学习:比较综述。 专家系统与应用118(2019),272–299。 谷歌学者 数字图书馆 马可·多里戈(Marco Dorigo)和吉安尼·迪卡罗(Gianni Di Caro)。 1999.蚁群优化:一种新的元神经算法。 1999年进化计算大会会议记录,第2卷。 IEEE,1470–1477。 谷歌学者 交叉引用 奥利弗·让·邓恩。 1961.平均值之间的多重比较。 《美国统计协会杂志》56,293(1961),52-64。 谷歌学者 交叉引用 安德烈·埃利塞夫和杰森·韦斯顿。 2002.多标记分类的核心方法。 神经信息处理系统进展论文集。 681–687. 谷歌学者 数字图书馆 萨代赫·埃斯坎达里(Sadegh Eskandari)和穆罕默德·马苏德·贾维迪(Mohammad Masoud Javidi)。 2016.使用粗糙集选择在线流媒体功能。 《国际近似推理杂志》69(2016),35–57。 谷歌学者 数字图书馆 费利克斯·安托万·福廷和马克·帕里佐。 2013年,重新审视NSGA-II拥挤距离计算。 第15届遗传和进化计算年会论文集。 ACM,623–630。 谷歌学者 数字图书馆 米尔顿·弗里德曼。 1940.m排名问题重要性替代测试的比较。 《数理统计年鉴》11,1(1940),86–92。 谷歌学者 交叉引用 David E.Goldberg,2006年。 遗传算法。 培生教育印度。 谷歌学者 阿瑟·格雷顿(Arthur Gretton)、奥利维尔·博斯克(Olivier Bousquet)、亚历克斯·斯莫拉(Alex Smola)和伯恩哈德·舍尔科夫(Bernhard Schölkopf)。 2005.使用Hilbert-Schmidt规范测量统计相关性。 算法学习理论国际会议论文集。 施普林格,63–77岁。 谷歌学者 数字图书馆 Mohammad Masoud Javidi和Sadegh Eskandari,2019年。 在线流媒体功能选择:一种最小冗余、最大重要性的方法。 模式分析与应用22,3(2019),949–963。 谷歌学者 数字图书馆 凌健、李俊东、舒凯和刘欢。 2016.多标签功能选择。 第25届国际人工智能联合会议记录。 1627年至1633年。 谷歌学者 数字图书馆 X.Jiang和S.Li.2017。 贝斯:甲虫天线搜索算法的优化问题。 2017年12月。 arXiv预印arXiv:1710.10724(2017)。 谷歌学者 詹姆斯·肯尼迪和拉塞尔·埃伯哈特。 1995年,粒子群优化。 神经网络国际会议论文集,第4卷。 IEEE,1942-1948年。 谷歌学者 交叉引用 李在星和金大元。 2013.使用多元互信息进行多标签分类的特征选择。 《模式识别快报》34,3(2013),349–357。 谷歌学者 数字图书馆 李在星、大元和金。 2017.SCLS:基于大标签集可扩展标准的多标签特征选择。 模式识别66(2017),342-352。 谷歌学者 数字图书馆 林跃进、胡清华、刘京华、陈金坤和段洁。 2016.基于邻域互信息的多标签特征选择。 应用软计算38,C(2016),244–256。 谷歌学者 数字图书馆 林跃进、胡清华、刘京华、李金锦和吴新东。 2017.基于模糊互信息的多标签学习流特征选择。 IEEE模糊系统汇刊25,6(2017),1491-1507。 谷歌学者 数字图书馆 林耀锦、胡清华、张佳和吴新东。 2016年。带流媒体标签的多标签功能选择。 信息科学372,C(2016),256-275。 谷歌学者 数字图书馆 刘华文、张世超和吴新东。 2014年,MLSLR:通过稀疏逻辑回归进行多标签学习。 信息科学281(2014),310-320。 谷歌学者 数字图书馆 刘京华、林跃进、吴顺祥和王晨曦。 2018.在线多标签群组功能选择。 基于知识的系统143(2018),42–57。 谷歌学者 交叉引用 孟贤兵、高晓志、陆丽华、刘瑜和张恒珍。 2016.一种新的生物灵感优化算法:鸟群算法。 《实验与理论人工智能杂志》28,4(2016),673–687。 谷歌学者 交叉引用 西蒙·珀金斯和詹姆斯·泰勒。 2003.使用嫁接进行在线特征选择。 在《第20届国际机器学习大会论文集》(ICML'03)中。 592–599. 谷歌学者 数字图书馆 玛丽亚姆·拉赫马尼亚和帕勒姆·莫拉迪。 2018.OSFSMI:基于互信息的在线流特征选择方法。 应用软件计算68(2018),733–746。 谷歌学者 数字图书馆 安德烈·斯科伦(Andrzej Skowron)、扬·科莫罗夫斯基(Jan Komorowski)、兹齐斯拉夫·鲍拉克(Zdzislaw Pawlak)和莱赫·波尔科夫斯基(Lech Polkowski)。 2002.关于数据和知识的粗糙集观点。 在《数据挖掘和知识发现手册》中。 134–149. 谷歌学者 数字图书馆 萨乌尔·索洛里奥·费尔南德斯(Saúl Solorio-Fernández)、J.阿里尔·卡拉斯科·奥乔亚(J.Ariel Carrasco-Ochoa)和何塞·菲科·马丁内兹(JoséFco Martínez-Trinidan)。 2020年,非监督特征选择方法综述。 《人工智能评论》53,2(2020),907–948。 谷歌学者 数字图书馆 牛顿·斯波拉(Newton Spolaór)、埃弗顿·阿尔瓦雷斯·切尔曼(Everton Alvares Cherman)、玛丽亚·卡罗莱娜·莫纳德(Maria Carolina Monard)和怀伊·戴安娜·李(Huei Diana Lee)。 2013.用于多标签特征选择的ReliefF。 2013年巴西智能系统会议记录。 IEEE,6–11。 谷歌学者 数字图书馆 Nidamarthi Srinivas和Kalyanmoy Deb。 1994年。在遗传算法中使用非支配排序进行多目标优化。 进化计算2,3(1994),221-248。 谷歌学者 数字图书馆 唐继良(Jiliang Tang)、塞勒姆·阿利亚尼(Salem Alelyani)和刘欢(Huan Liu)。 2014.分类特征选择:综述。 《数据分类:算法和应用》(2014),37。 谷歌学者 王静、王萌、李培培、刘罗琪、赵忠秋、胡雪刚和吴新东。 2015年,在线特征选择与群体结构分析。 IEEE知识与数据工程汇刊27,11(2015),3029–3041。 谷歌学者 数字图书馆 王佳磊、赵培林、史蒂文·霍伊和金荣。 2013.在线功能选择及其应用。 IEEE知识与数据工程学报26,3(2013),698–710。 谷歌学者 数字图书馆 吴新东、奎瑜、魏丁、王浩和朱星泉。 2012.使用流媒体功能进行在线功能选择。 IEEE模式分析和机器智能汇刊35,5(2012),1178-1192。 谷歌学者 数字图书馆 吴新东、奎瑜、王浩和丁伟。 2010.在线流媒体功能选择。 第27届国际机器学习会议论文集。 谷歌学者 数字图书馆 Jihoon Yang和Vasant Honavar。 1998年。使用遗传算法选择特征子集。 在特征提取、构造和选择中。 施普林格,117–136。 谷歌学者 杨新社。 2013.蝙蝠算法和布谷鸟搜索:教程。 在人工智能、进化计算和元启发式中。 施普林格,421–434。 谷歌学者 杨新社和苏亚什·德布。 2009年,通过勒维航班进行布谷鸟搜索。 2009年世界自然与生物启发计算大会会议记录(NaBIC’09)。 IEEE,210–214。 谷歌学者 交叉引用 杨新社、苏亚什和德布。 2010年,通过布谷鸟搜索进行工程优化。 国际数学建模和数值优化杂志1,4(2010),330-343。 谷歌学者 交叉引用 Kui Yu、Xindong Wu、Wei Ding和Jian Pei。 2014.为大数据实现可扩展和准确的在线功能选择。 2014年IEEE数据挖掘国际会议论文集。 IEEE,660-669。 谷歌学者 数字图书馆 张敏玲(Min-Ling Zhang)、何塞·佩尼亚(JoséM Peña)和维克托·罗伯斯(Victor Robles)。 2009.多标签朴素贝叶斯分类的特征选择。 《信息科学》179,19(2009),3218–3229。 谷歌学者 数字图书馆 张敏玲和吴磊。 2014.Lift:具有标签特定功能的多标签学习。 IEEE模式分析和机器智能汇刊37,1(2014),107–120。 谷歌学者 交叉引用 张敏玲和周志华。 ML-KNN:多标签学习的懒惰学习方法。 模式识别40,7(2007),2038-2048。 谷歌学者 数字图书馆 张茵和周志华。 2010年,通过依赖最大化减少多标签维度。 ACM《从数据中发现知识的汇刊》4,3(2010),1–21。 谷歌学者 数字图书馆 Jing Zhou、Dean Foster、Robert Stine和Lyle Ungar。 2005.使用字母识别选择流媒体功能。 第11届ACM SIGKDD数据挖掘知识发现国际会议论文集。 384–393. 谷歌学者 数字图书馆 周鹏、陈江永、范明宇、杜良、沈一东和李学军。2020年。 平衡集群的无监督特征选择。基于知识的系统193(2020),105417。 谷歌学者 数字图书馆 周鹏、胡雪刚、李培培和吴新东。 2019.OFS密度:一种新的在线流媒体特征选择方法。 模式识别86(2019),48–61。 谷歌学者 交叉引用 周鹏、胡雪刚、李佩佩、新东和吴。 2019.使用自适应邻域粗糙集选择在线流媒体功能。 信息科学481(2019),258–279。 谷歌学者 数字图书馆
建议
流标签多标签学习的特征选择 集锦 设计了一种基于类间鉴别和类内邻域识别的新框架,用于在每个标签都被标记时生成特定于标签的特征。。。
摘要 多标签特征选择近年来受到广泛关注。 现有的多标签特征选择算法主要假设训练数据的标签是在特征选择之前获得的。 然而,。。。 带流标签的多标签功能选择 在本文中,我们研究了一个新颖且具有挑战性的问题,即带有流标签的多标签特征选择,其中标签的数量是事先未知的,并且特征集的大小是恒定的。 在这个问题中,我们假设标签。。。 基于互信息的多目标在线流媒体多标签特征选择 集锦 提出了一种多目标在线多标签特征选择方法。 A。。。
摘要 多标签分类方法旨在为每个实例分配多个标签。 在许多实际的分类问题中,如图像多标签分类任务,如癌症检测和文本分类,我们。。。