Algoritmo robusto de selección de características sin supervisión basado en un gráfico de anclaje difuso

Área de la Ciencia:

• Aprendizaje automático
• Minería de datos
• Reconocimiento de patrones

Sus antecedentes:

• La selección de características sin supervisión identifica subconjuntos de características óptimas sin etiquetas.
• Los métodos existentes luchan con la información y el ruido difusos de los datos, lo que afecta al modelado de la estructura del clúster.
• El error cuadrado en la reconstrucción exacerba la sensibilidad al ruido en los enfoques actuales.

Objetivo del estudio:

• Proponer un algoritmo de selección de características robusto y sin supervisión, FWFGFS, utilizando gráficos de anclaje difusos.
• Abordar las limitaciones de los métodos existentes mediante el modelado eficaz de estructuras de clúster difusas y la mitigación del ruido.
• Mejorar la precisión y la robustez de la selección de características en datos sin etiquetar.

Principales métodos:

• Desarrollar un mecanismo de aprendizaje de gráficos de anclaje difuso con distribuciones de membresía difusas para asignaciones de clústeres blandos.
• Introducir un mecanismo de ponderación difuso adaptativo para reducir el ruido y los errores de las características redundantes.
• Aplique la trifactorización ortogonal a la representación de baja dimensión para los centros de racimo independientes.

Principales resultados:

• FWFGFS modela efectivamente las relaciones de vecindad difusas, mejorando la precisión del agrupamiento.
• El mecanismo de ponderación adaptativo reduce la interferencia del ruido en la selección de características.
• Los resultados experimentales demuestran mejoras significativas en la precisión promedio de agrupación (5,68% 13,79%) en comparación con los métodos de última generación en 12 conjuntos de datos.

Conclusiones:

• El FWFGFS ofrece un enfoque sólido y preciso para la selección de características sin supervisión mediante el aprovechamiento de información difusa.
• Los mecanismos propuestos mejoran el modelado de la estructura del clúster y la resistencia al ruido.
• El FWFGFS representa un avance significativo en la selección de características para el análisis de datos sin etiqueta.