Joint hypergraph learning and sparse regression for feature selection

در این مقاله، یک چارچوب یکپارچه برای برآورد ساختار بهبود یافته و انتخاب ویژگی پیشنهاد می کنیم. اکثر روش های موجود بر اساس ویژگی های مبتنی بر گراف استفاده از نمای استاتیک ساختار داده های موجود بر اساس ماتریس لاپلاس از یک گراف ساده است. در اینجا از سوی دیگر، ما به طور همزمان یادگیری ساختار داده و انتخاب ویژگی را انجام می دهیم. برای بهبود برآورد چندبعدی که ساختار ویژگی های انتخاب شده را نشان می دهد، از توصیف نظم بالاتر از ساختارهای محله موجود در داده های موجود با استفاده از یادگیری هیپرگراف استفاده می کنیم. این اجازه می دهد تا آن دسته از ویژگی هایی که در مهمترین روابط مرتبه بالاتر شرکت می کنند انتخاب شوند و باقیمانده از طریق یک فرایند اسپارزیتی دور انداخته شود. ما یک تابع هدف واحد را برای ضبط و تنظیم کردن برآورد وزن هیپوگراف و فرایندهای انتخاب انتخاب می کنیم. در نهایت، ما یک الگوریتم بهینه سازی برای ارزیابی وزن های هیپرگراف و مجموعه ای از شاخص های انتخاب ویژگی ارائه می دهیم. این روند چندین مزیت را ارائه می دهد. اول، با تنظیم وزن های هیپوگرافی، ما حفظ ارتباطات محله با درجه بالا که در داده های اصلی منعکس شده است، که نمی توان با یک گراف ساده مدل سازی کرد. علاوه بر این، تابع هدف ما قطاری از ساختار تبعیض آمیز جهانی از ویژگی های داده است. آزمایش های جامع در 9 مجموعه داده های معیار نشان می دهد که روش ما با پیشرفت های آماری قابل توجهی نسبت به روش های انتخاب ویژگی های پیشرفته پیشرفت می کند و از اثربخشی روش پیشنهادی حمایت می کند.