Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection

最近，半监督多标签特征选择方法被开发出来，用于解决高维多标签数据中存在标签缺失的问题。虽然已经做了很多努力，但是大多数现有方法使用预定义的图形方法来捕捉样本相似性或标签相关性。这种方法中，原始特征空间中的噪声和异常值可能会破坏生成的样本相似性图的可靠性。同时，由于存在未知标签，这种方法也无法精确描述标签相关性。此外，这些方法只考虑所选特征的区分能力，而忽略它们的冗余性。本文提出了一种基于自适应协作相关性学习的半监督多标签特征选择（Access-MFS）方法来解决这些问题。具体地，引入了一个带有扩展不相关约束的广义回归模型，用于选择具有区分性但不相关的特征，并在标记数据中同时保持预测和实际标签之间的一致性。然后，将实例相关性和标签相关性整合到所提出的回归模型中，以自适应地学习样本相似性图和标签相似性图，从而相互增强特征选择性能。广泛的实验结果表明，所提出的Access-MFS方法优于其他最先进的方法。

解决高维多标签数据中存在标签缺失的问题，同时考虑特征选择中的冗余性和相关性。

提出一种自适应协同相关性学习的半监督多标签特征选择方法（Access-MFS），通过广义回归模型和扩展的不相关约束选择具有判别性但不相关的特征，并将实例相关性和标签相关性整合到回归模型中，相互增强特征选择性能。

实验结果表明，Access-MFS方法优于其他最先进的方法。论文还提供了开源代码。

相关研究包括使用预定义图的方法来捕获样本相似性或标签相关性的多标签特征选择方法。