基于自编码器和流形正则的结构保持无监督特征选择

• 作者: 杨蕾 降爱莲 强彦
• 来源期刊: 计算机科学
• 关键词: 特征选择 子空间学习 流形正则 结构保持 自编码器
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 数据库&大数据&数据科学费|Database & Big Data & Data Science
• 页码范围: 53-59
• 页数: 7页
• 分类号: TP181
• 语种: 中文
• DOI: 10.11896/jsjkx.200700211

摘要

高维数据中存在着大量的冗余和不相关特征,严重影响了数据挖掘的效率、质量以及机器学习算法的泛化性能,因此特征选择成为计算机科学与技术领域的重要研究方向.文中利用自编码器的非线性学习能力提出了一种无监督特征选择算法.首先,基于自编码器的重建误差选择出单个特征对数据重建贡献大的特征子集.其次,利用单层自编码器的特征权重最终选择出对其他特征重建贡献大的特征子集,通过流形正则保持原始数据空间的局部与非局部结构,并且对特征权重增加L2/1稀疏正则来提高特征权重的稀疏性,使之选择出更具区别性的特征.最后,构造一个新的目标函数,并利用梯度下降算法对所提目标函数进行优化.在6个不同类型的典型数据集上进行实验,并将所提算法与5个常用的无监督特征选择算法进行对比.实验结果验证了所提算法能够有效地选择出重要特征,显著提高了分类准确率和聚类准确率.