扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

这所院校又添新作:深层特征筛选:通过深层神经网络对超高维数据进行特征选择

论论资讯 | 2023-04-20 3热度

Neurocomputing

Explore content

About the journal

Publish with us

Deep feature screening: Feature selection for ultra high-dimensional data via deep neural networks

Li K.; Wang F.; Yang L.; Liu R.

Published:2023-06-14
DOI:10.1016/j.neucom.2023.03.047

研究背景

在当今社会,数据科学的发展日新月异。然而,高维度、低样本量的数据分析往往会遇到困难,例如过拟合、维度灾难、计算不可行和强模型假设等问题。因此,如何从大量的数据中筛选出重要的特征,成为了当前研究领域的一个重要问题。

研究内容

在这篇论文中,研究者提出了一种新的非参数方法,名为Deep Feature Screening (DeepFS),用于超高维度、低样本量数据的特征筛选。DeepFS方法首先从输入数据中提取出低维度的表示,然后基于Deb和Sen(2021)最近开发的多元秩距相关性,对原始输入特征空间进行特征筛选。该方法结合了深度神经网络和特征筛选的优势,具有以下吸引人的特点:(1)它是无模型和无分布的;(2)它可以用于有监督和无监督的特征选择;(3)它能够恢复原始的输入数据。通过广泛的模拟研究和实际数据分析,证明了DeepFS的优越性。

研究意义

DeepFS方法是一种创新的方法,它能够解决高维度、低样本量数据分析中的重要问题。与传统的统计特征选择方法相比,DeepFS方法具有更高的精度和更好的鲁棒性。此外,DeepFS方法还可以用于有监督和无监督的特征选择,具有广泛的应用前景。因此,这项研究对于推动数据科学的发展,提高数据分析的效率和准确性具有重要的意义。

微信扫码即可查看