从单目标特征选择到多目标特征选择的收益：一种多样化的方法

近年来，进化多目标特征选择（FS）受到了越来越多的关注。然而，它仍面临一些挑战，例如，搜索空间或目标空间中频繁出现的重复解导致群体的多样性丧失，并且巨大的搜索空间导致算法的搜索效率低下。最小化所选特征的数量和最大化分类性能是FS中的两个主要目标。通常，单目标FS问题的适应度函数通过加权求和方法线性聚合这两个目标。在给定预定义方向（权重）向量的情况下，单目标FS任务可以广泛探索指定的方向或区域。不同的方向向量在目标空间中会导致不同的搜索方向。受此启发，本文提出了一种多样化框架，该框架在多任务环境中结合其辅助单目标FS任务来解决多目标FS任务。通过设置不同的方向向量，可以利用单目标FS任务中有前景的特征子集，推动多目标FS任务的进化搜索。通过与五种经典的前沿多目标进化算法以及四种表现良好的FS算法进行比较，提出的方法在18个分类数据集上的广泛实验中验证了其有效性和效率。此外，提出方法在噪声环境中的有效性也得到了探讨。