一种自适应加权多层特征证据与冗余惩罚方法

为了提高香烟工厂烟草干燥过程中的质量指标预测，本研究提出了一种自适应加权多层特征证据与冗余惩罚框架（F-XMF）。为了解决复杂工业数据中孤立特征评估的局限性，F-XMF共同考虑了个别特征的直接贡献、特征交互的贡献以及候选特征之间的冗余依赖性。首先，使用极端梯度提升（XGBoost）来估计个别特征的重要性，并获得初始的主效特征子集。同时，采用注意力因子分解机（AFM）来识别高贡献的二阶交互效应并推导与交互相关的证据。在此基础上，引入条件互信息（CMI）来表征候选特征之间的冗余依赖，并进一步发展了一种差异冗余惩罚机制，对高度重叠的特征施加差异化惩罚，同时保留具有重要交互效用的信息变量。最后，采用基于验证的自适应权重融合策略，将主效子集与交互相关子集整合，从而产生一个紧凑且信息丰富的最终特征子集。在真实的烟草处理数据上的实验结果表明，F-XMF在消融比较中持续降低了平均绝对误差（MAE）并在多个代表基线方法中表现出优越的性能。机制验证进一步证明了所提出的框架能够通过交互增强和冗余抑制有效细化候选子集，显示出良好的可解释性和实际应用价值，特别是在烟草干燥过程中的出风湿度预测方面。