近日，我校計(jì)算機(jī)與人工智能學(xué)院張笑欽教授為第一作者的科研論文（長文）：Top-k Feature Selection Framework Using Robust 0-1 Integer Programming（基于魯棒0-1整數(shù)規(guī)劃的最優(yōu)K特征集選擇框架）在IEEE神經(jīng)網(wǎng)絡(luò)與學(xué)習(xí)系統(tǒng)匯刊（IEEE T-NNLS, DOI: 10.1109/TNNLS.2020.3009209.）上發(fā)表。論文的第一作者單位為溫州大學(xué)計(jì)算機(jī)與人工智能學(xué)院。

特征選擇的目的是找出數(shù)據(jù)中的關(guān)鍵性特征，同時(shí)去除冗余和噪聲特征。它不但能有效提高學(xué)習(xí)算法性能，還可以顯著地降低算法的計(jì)算復(fù)雜度，在機(jī)器學(xué)習(xí)研究中有著重要的價(jià)值。大多數(shù)特征選擇方法采用某種特定準(zhǔn)則計(jì)算所有特征的評(píng)分，然后依據(jù)評(píng)分從高到低對(duì)特征進(jìn)行排序，并將評(píng)分最高的K個(gè)特征作為結(jié)果。由于局部最優(yōu)一般不如全局最優(yōu)，所以K個(gè)好的特征構(gòu)成的集合未必是最好的由K個(gè)特征所構(gòu)成的集合。為了解決上述問題，本文提出基于0-1整數(shù)規(guī)劃近似優(yōu)化算法的特征選擇理論框架。在該框架下可以提出新的特征選擇方法，這些方法能夠得到在給定標(biāo)準(zhǔn)下近似最優(yōu)的含有K個(gè)特征的集合，即近似全局最優(yōu)解。基于該框架，我們分別提出了一個(gè)無監(jiān)督特征選擇方法和一個(gè)半監(jiān)督特征選擇方法。最后，這兩個(gè)方法都在基準(zhǔn)公開數(shù)據(jù)集上進(jìn)行了驗(yàn)證，結(jié)果證明了本文所提出利用0-1整數(shù)規(guī)劃進(jìn)行特征選擇方法的有效性。本文工作獲得了國家自然科學(xué)基金項(xiàng)目和國家科技部項(xiàng)目的資助。

IEEE T-NNLS，全稱為IEEE Transactions on Neural Networks and Learning Systems，是人工智能、模式識(shí)別、圖像處理、計(jì)算機(jī)視覺等多個(gè)領(lǐng)域的頂尖國際期刊，其2018年度影響因子為11.683，屬于中科院一區(qū)期刊，在JCR分區(qū)中的COMPUTER SCIENCE, HARDWARE & ARCHITECTURE(計(jì)算機(jī)科學(xué)，硬件和體系架構(gòu))和 COMPUTER SCIENCE, THEORY & METHODS(計(jì)算機(jī)科學(xué)，理論和方法)領(lǐng)域都是名列1區(qū)且在所有該領(lǐng)域期刊中排名第2。

X. Zhang, M. Fan, D. Wang, P. Zhou and D. Tao, "Top-k Feature Selection Framework Using Robust 0-1 Integer Programming," in IEEE Transactions on Neural Networks and Learning Systems, doi: 10.1109/TNNLS.2020.3009209.