Discriminative embedded unsupervised feature selection

انتخاب ویژگی غیرقابل نگهداری یک ابزار قدرتمند برای پردازش داده های با ابعاد بزرگ است که در آن یک زیر مجموعه از ویژگی ها برای نمایش داده های موثر انتخاب شده است. در این مقاله، ما یک روش انتخاب جدیدی از کنترل ناخواسته ارائه می دهیم که اطلاعات جهانی را از طریق حداکثر رساندن فاصله بین نمونه های خوشه های مختلف، و حفظ محدوده داده ها با استفاده از قانون تنظیم لاپلازی، کشف و بهره برداری می کند. علاوه بر این، روش پیشنهادی به طور مستقیم ویژگی های بدون تغییر را با معرفی یک استراتژی یادگیری ناقص مبتنی بر سیمپلکس به ارث می برد و امکان انتخاب بسیار ویژگی های تبعیض آمیز را فراهم می کند. آزمایش های گسترده انجام شده و نتایج نشان دهنده اثربخشی روش پیشنهادی است.