近日，郑州大学计算智能实验室于坤杰教授、梁静教授、陈科副研究员等人在国际权威期刊《IEEE Transactions on Systems, Man, and Cybernetics: Systems》上发表学术论文《A Space Transformation-Based Multiform Approach for Multi-objective Feature Selection in High-dimensional Classification》，提出了解决高维特征选择问题的进化多目标优化方法。
特征选择在机器学习和数据挖掘领域扮演着至关重要的角色。然而，随着特征维度的增加，特征子集的搜索空间会呈现指数级的扩大，这不仅增加了计算成本，也导致搜索过程容易陷入局部最优解。为了有效缩减搜索空间，本文提出了一种基于空间转换的多形式优化方法。首先，该方法通过将特征以不同方式分组，有效的将高维搜索空间转换为低维搜索空间。同时，构建了一个多形式优化框架，以丰富空间信息的多样性。此外，设计了一种新颖的知识迁移机制，该机制通过不同形式之间的相互学习来促进特征更加合理的被划分到同一组中，以此来帮助种群有效地跳出局部最优，并且增加不同分组中特征交互性的可能。论文的主要贡献包括：
1.提出了一种基于空间转换的多形式特征选择方法，为高维特征选择问题提供了新的思路；
2.设计了两种不同的空间转换策略来构建为一个多形式优化框架，实现了搜索空间的缩小，并且提升了对信息在空间维度上的利用率；
3.设计了一种新颖的知识迁移机制，以促进两种不同分组形式之间的信息共享，从而帮助种群跳出局部最优。
该成果得到国家自然科学基金、国家重大研发计划等项目的资助。《IEEE Transactions on Systems, Man, and Cybernetics: Systems》是国际自动化与控制系统领域中重要学术期刊，最新影响因子为8.7，长期位于中科院计算机科学和工程技术等学科一区，也是该领域的Top期刊。
题目：A Space Transformation-Based Multiform Approach for Multi-objective Feature Selection in High-dimensional Classification
作者：Kunjie Yu, Shaoru Sun, Jing Liang, Ke Chen*, Boyang Qu,Caitong Yue, Ponnuthurai Nagaratnam Suganthan
DOI：10.1109/TSMC.2024.3450278
链接：https://ieeexplore.ieee.org/document/10672540