×
你，Dianlong;孙苗苗;梁顺潘;李瑞奇;王，杨;肖家伟;袁福永;沈利民;吴新东

多源流特征的在线特征选择。 （英语） Zbl 07810464号

信息科学。 590, 267-295 (2022).
摘要：基于在线方式的多源流特征选择已经引起了研究人员的极大关注，因为它可以降低异构大数据的维数。然而，传统的在线算法，如阿尔法投资，在线流媒体功能选择(OSFS公司)，联机组功能选择(OGFS公司)以及可扩展且准确的在线方法(萨奥拉)只考虑具有固定实例的单个数据源，不直接适用于多源数据。多源因果特征选择(MCFS公司)可以在多个介入数据集中搜索不变集。然而，固定的特征空间受到了限制，多源数据之间需要完全相同的特征。为了克服这些局限性，我们提出了一种称为多源流特征选择的新方法(MSFS公司)解决多源流特征的特征选择问题。这个MSFS公司该算法分三个阶段处理来自随机源的一个新特征：相关性、源内冗余和源间冗余分析。那就是，MSFS公司尝试挖掘不同数据源之间的潜在关系，而不是仅独立考虑每个数据源。特别是，使用来自所有数据源的重叠实例在线分析每个新特征，并动态调整目标变量的马尔可夫覆盖层（MB）。评估MSFS公司算法，我们在14个数据集和两个真实场景中将其与上述算法进行了比较。结果表明：MSFS公司在分类精度和特征选择数量上优于现有算法。

MSC公司：

68T05型 人工智能中的学习和自适应系统
68单位10 图像处理的计算方法
第68季度32 计算学习理论
68T09年 数据分析和大数据的计算方面
94A08级 信息与通信理论中的图像处理（压缩、重建等）
2005年6月2日 马尔可夫过程：估计；隐马尔可夫模型

关键词：

多源流特征;特征选择;马尔可夫毯

软件：

LOFS公司
PDF格式BibTeX公司 XML格式引用
\textit{D.You}等人，《信息科学》。590、267--295（2022；Zbl 07810464）
全文： 内政部

参考文献：

[1] 何毅。；吴，B。；Wu，D。；Beyazit，E。；陈，S。；Wu，X.，《走向挖掘多变的数据流：生成方法》，IEEE Trans。神经网络学习。系统。，32, 3, 1228-1240 (2020)
[2] 何毅、袁晓元、陈沙生、吴晓武，《不完全监督下的可变特征空间在线学习》，载《AAAI人工智能会议论文集》，第35卷，2021年，第4106-4114页。
[3] Wu，D。；何毅。；罗，X。；尚，M。；Wu，X.，《具有反复无常流媒体特征的在线特征选择：一般框架》，载《IEEE大数据国际会议（大数据）》，2019年，683-688（2019）
[4] 何毅、吴斌、吴德武、吴晓武，《论部分多任务学习》，载《第24届欧洲人工智能会议》，IOS出版社，2020年，第1174-1181页。
[5] Luong，A.V。；Nguyen，T.T.（阮，T.T.）。；Liew，A.W.-C。；Wang，S.，进化数据流的异构集成选择，模式识别。，112，3-4，第107743条pp.（2021）
[6] 谢伟。；朱，F。；江，J。；林，E.-P。；Wang，K.，Topicsketch:从twitter实时检测突发话题，IEEE Trans。知识。数据工程，28，8，2216-2229（2016）
[7] Martinez-Ríos，E。；蒙特西诺斯。；Alfaro Pone，M。；Pecchia，L.，《基于临床和生理数据的高血压检测和血压估计中的机器学习综述》，Biomed。信号处理。控制，68，2，第102813条pp.（2021）
[8] 吴永强。；胡，D。；邓，P.-Y。；唐，Z。；曹毅。；张，W.-M。；朱丽梅。；Ren，H.，非参数贝叶斯先验诱导深度网络自动检测认知状态，IEEE Trans。赛博。，51, 11, 5483-5496 (2021)
[9] 吴永强。；唐，Z。；姚，Y。；邱晓云。；邓，P.-Y。；熊，P。；Song，A。；朱丽梅。；Zhou，M.，通过功能性近红外光谱检测大脑工作负荷的可伸缩γ驱动多层网络，IEEE Trans。赛博。，1-15 (2021)
[10] 王，D。；Irani，D。；Pu，C.，《网络垃圾邮件的进化研究：2011年网络垃圾邮件语料库与2006年网络垃圾语料库》（第八届国际协作计算会议：网络、应用和工作共享（CollaborateCom）（2012）），40-49
[11] 胡，X。；周，P。；李，P。；Wang，J。；Wu，X.，关于使用流媒体特征进行在线特征选择的调查，Front。计算。科学。，12, 3, 479-493 (2018)
[12] 蔡，J。；罗，J。；王，S。；Yang，S.，《机器学习中的特征选择：一个新的视角》，神经计算，300，26，70-79（2018）
[13] Wang，J。；赵，P。；海，S.C。；Jin，R.，在线特征选择及其应用，IEEE Trans。知识。数据工程，26,3698-710（2013）
[14] Wu，D。；何毅。；罗，X。；Zhou，M.，基于潜在因素分析的在线稀疏流特征选择方法，IEEE Trans。系统。网络人：系统。，1-15（2021）
[15] Perkins，S。；Theiler，J.，《使用嫁接进行在线特征选择》，（第二十届国际机器学习会议论文集（2003），AAAI出版社），592-599
[16] J.Zhou，D.Foster，R.Stine，L.Ungar，使用字母识别进行流特征选择，收录于：第十一届ACM SIGKDD数据挖掘知识发现国际会议论文集，KDD’05，2005，第384-393页。doi:10.1145/1081870.1081914。
[17] 吴，X。；Yu，K。；丁，W。；Wang，H。；Zhu，X.，带流媒体功能的在线功能选择，IEEE Trans。模式分析。机器。智力。，35, 5, 1178-1192 (2012)
[18] Wang，J。；王，M。；李，P。；刘，L。；赵，Z。；胡，X。；Wu，X.，带组结构分析的在线特征选择，IEEE Trans。知识。数据工程，27，11，3029-3041（2015）
[19] Yu，K。；吴，X。；丁·W。；Pei，J.，《大数据的可扩展和准确在线特征选择》，ACM Trans。知识。发现数据，11，2，1-39（2016）
[20] Yu，K。；刘，L。；李，J。；丁·W。；Le，T.D.，多源因果特征选择，IEEE Trans。模式分析。机器。智力。，42, 9, 2240-2256 (2019)
[21] 李，J。；Cheng，K。；王，S。；Morstatter，F。；特雷维诺，R.P。；Tang，J。；Liu，H.，《特征选择：数据透视》，ACM Compute。调查。，50, 6, 1-45 (2017)
[22] 张，R。；聂，F。；李，X。；Wei，X.，《多视图数据的特征选择：一项调查》，Inf.Fusion，50，158-167（2019）
[23] 刘，H。；毛，H。；Fu，Y.，Robust multi-view feature selection，（2016 IEEE 16th International Conference on Data Mining（ICDM）（2016）），281-290
[24] Hou，B.-J。；张，L。；Zhou，Z.-H.，用特征进化流学习，IEEE Trans。知识。数据工程，33，6，2602-2615（2021）
[25] 郭毅。；Yang，H。；陈，M。；Cheng，J。；Gong，D.，基于集成预测的动态鲁棒多目标优化方法，Swarm Evol。计算。，48, 156-171 (2019)
[26] 郭毅。；Chu，Y。；焦，B。；Cheng，J。；Yu，Z。；崔，N。；Ma，L.，人类活动识别的进化双装配类不平衡学习，IEEE Trans。Emerg.顶部。计算。智力。，1-12 (2021)
[27] 郭毅。；张，Z。；Tang，F.，核化多类支持向量机特征选择，模式识别。，117，第107988条pp.（2021）
[28] Yu，K。；刘，L。；Li，J.，从多个介入数据集学习马尔可夫毯，IEEE Trans。神经网络学习。系统。，31, 6, 2005-2019 (2019)
[29] 彼得斯，J。；Bühlmann，P。；Meinshausen，N.，《使用不变预测进行因果推断：识别和置信区间》，J.R.Stat.Soc.Ser。B（统计方法），78，5，947-1012（2016）·Zbl 1414.62297号
[30] K.Zhang、B.Huang、J.Zhang和C.Glymour、B.Schölkopf，《非平稳/异质数据的因果发现：骨架估计和方向确定》，载《第二十六届国际人工智能联合会议论文集》，IJCAI-172017，第1347-1353页。doi:10.24963/ijcai.2017/187。
[31] Aliferis，C.F。；Statnikov，A。；沙马尔迪诺斯一世。；马尼，S。；Koutsoukos，X.D.，《因果发现和分类特征选择的局部因果和马尔可夫覆盖归纳——第二部分：分析和扩展》，J.Mach。学习。第11、10、235-284号决议（2010年）·Zbl 1242.68198号
[32] Ling，Z。；Yu，K。；Wang，H。；李，L。；Wu，X.，使用特征选择进行局部因果结构学习，IEEE Trans。Emerg.顶部。计算。智力。，5, 4, 530-540 (2021)
[33] Aliferis，C.F。；Statnikov，A。；沙马尔迪诺斯一世。；马尼，S。；Koutsoukos，X.D.，《用于因果发现和分类特征选择的局部因果和马尔可夫覆盖归纳——第一部分：算法和经验评估》，J.Mach。学习。第11、1、171-234号决议（2010年）·Zbl 1242.68197号
[34] Yu，K。；丁·W。；Simovici，医学博士。；Wang，H。；裴，J。；Wu，X.，流特征分类：一种新兴的模式挖掘方法，ACM Trans。知识。发现。数据，9，4，1-31（2015）
[35] Ling，Z。；Yu，K。；Wang，H。；刘，L。；丁·W。；Wu，X.，Bamb:特征选择的平衡马尔可夫毯式发现方法，ACM Trans。智力。系统。技术。，10, 5, 1-25 (2019)
[36] Wang，H。；Ling，Z。；Yu，K。；Wu，X.，面向高效和有效地发现用于特征选择的马尔可夫覆盖层，信息科学。，509, 227-242 (2020)
[37] N.Al Nuaimi，M.M.Masud，走向最佳流媒体特征选择，收录于：2017年IEEE数据科学和高级分析国际会议（DSAA），IEEE，2017年，第775-782页。
[38] Yu，K。；Chen，H.，基于马尔可夫边界的异常值挖掘，IEEE Trans。神经网络学习。系统。，30, 4, 1259-1264 (2018)
[39] Yu，K。；吴，X。；丁·W。；Mu，Y。；Wang，H.，使用代表集的马尔可夫覆盖特征选择，IEEE Trans。神经网络学习。系统。，28, 11, 2775-2788 (2016)
[40] Yu，K。；吴，X。；张，Z。；Mu，Y。；Wang，H。；Ding，W.，非忠实数据分布的马尔可夫覆盖特征选择（Proceedings-IEEE International Conference on data Mining，ICDM（2013）），857-866
[41] 那不勒斯，R.E.，《学习贝叶斯网络》，第38卷（2004），皮尔逊-普伦蒂斯·霍尔上鞍河：新泽西州皮尔逊-普伦蒂斯·哈尔上鞍河
[42] 杨，J。；沈，A。；Yu，K。；Chen，Y.，使用基于最大相关最小冗余的特征选择预测肺结节的语义特征，2019年IEEE生物信息学和生物医学国际会议（BIBM），1318-1323（2019）
[43] 杨，J。；郭，X。；安，N。；王，A。；Yu，K.，基于流特征的对称不确定性因果结构学习算法，信息科学。，467, 708-724 (2018) ·Zbl 1441.68217号
[44] 周，H。；Zhang，Y。；Zhang，Y。；Liu，H.，基于条件互信息的特征选择：最小条件相关性和最小条件冗余，应用。智力。，49, 3, 883-896 (2019)
[45] González-López，J。；文图拉，S。；Cano，A.，《使用互信息的多标签分类中连续特征的分布式选择》，IEEE Trans。神经网络学习。系统。，31, 7, 2280-2293 (2019)
[46] Yu，K。；丁·W。；Wu，X.，Lofs:在线流媒体特征选择库，Knowl-基于系统。，113, 1, 1-3 (2016)
[47] Zhang，Y。；Zhou，Z.-H.，通过相关性最大化实现多标签降维，ACM Trans。知识。发现数据，4，3，1-21（2010）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。