Aprendizaje de Embeddings Conjunto y Regresión Escasa: Un Marco para la Selección de Características No Supervisada

La selección de características ha despertado un interés considerable en la investigación durante las últimas décadas. Los métodos tradicionales de selección de características basados en el aprendizaje separan el aprendizaje de embeddings y el ranking de características. En este artículo, proponemos un nuevo marco de selección de características no supervisado, denominado aprendizaje de embeddings conjunto y regresión escasa (JELSR), en el que el aprendizaje de embeddings y la regresión escasa se realizan conjuntamente. Específicamente, el JELSR propuesto combina el aprendizaje de embeddings con la regresión escasa para realizar la selección de características. Para mostrar la eficacia del marco propuesto, también proporcionamos un método utilizando el peso a través de una aproximación lineal local y agregando la regularización de la norma l2,1, y diseñamos un algoritmo efectivo para resolver el problema de optimización correspondiente. Además, también llevamos a cabo una discusión perspicaz sobre el enfoque de selección de características propuesto, incluyendo el análisis de convergencia, la complejidad computacional y la determinación de parámetros. En resumen, el marco propuesto no solo ofrece una nueva perspectiva para ver los métodos tradicionales, sino que también evoca otras investigaciones profundas sobre la selección de características. Comparado con los métodos tradicionales de selección de características no supervisada, nuestro enfoque podría integrar los méritos del aprendizaje de embeddings y la regresión escasa. Resultados experimentales prometedores en diferentes tipos de conjuntos de datos, incluyendo datos de imagen, de voz y biológicos, han validado la efectividad de nuestro algoritmo propuesto.