多目标粒子群优化提升高维数据MEL分类效率

本文主要探讨了"多目标粒子群优化的多视图集成学习在高维数据分类中的应用"这一主题，发表于沙特国王大学学报。作者Vipin Kumara、Chang、Prem Shankar Singh Aydavb和Sonajharia Minzc分别来自印度比哈尔邦圣雄甘地中央大学、信息技术部Km. Mayawati Government Girls Polytechnic以及印度新德里贾瓦哈拉尔·尼赫鲁大学的计算机与系统科学学院。 在现代机器学习领域，多视图集成学习（MEL）已经被证实能够提供比传统算法更为优越的性能，特别是在特征子集优化方面。然而，确定最佳视图组合是一个复杂问题，因为它涉及到大量的可能视图，且寻找最优视图集是一个NP-hard问题，与贝尔数相关。随着视图数量的增加，MEL的复杂性也随之上升，这促使研究者寻求更高效的方法来减少视图数量但保持高精度。 为此，本文提出了使用多目标粒子群优化（MOPSO）作为解决方案，将数据的视图数和MEL的分类精度两个目标纳入一个优化过程。粒子群优化算法（PSO）被用来在多目标搜索中找到平衡，以达到最佳性能。研究者在16个高维数据集上进行了实验，使用了四种先进的视图构造方法，并通过支持向量机（SVM）对每个视图进行学习。实验结果通过定量和非参数统计分析显示，提出的MEL-MOPSO方法在保持效率的同时，有效提高了分类精度。 该论文强调了在高维数据分类中，利用多视图集成学习结合多目标优化的优势，有助于在实际应用中处理大规模和复杂的数据集。值得注意的是，该研究作品是在2021年2月22日接收、8月25日修订、8月30日接受，并于同年9月10日在线发布。文章遵循Creative Commons Attribution-NonCommercial-NoDerivatives (CC BY-NC-ND) 4.0许可协议，允许读者在学术交流和非商业环境下分享和使用。