【报告内容】

汇报人：贾利阳

汇报单位：太原理工大学

主题：A New Evolutionary Multitasking Algorithm for High-Dimensional Feature Selection

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

（1）解决高维特征选择中的 “维度灾难”

（2）解决现有算法的关键缺陷：固定辅助任务的进化多任务算法虽通过拆分原任务为低维辅助任务缓解维度灾难，但辅助任务在进化过程中固定不变—— 这会导致两方面问题：① 初始排除的 “非重要特征” 永远无法被重新考虑，可能错过潜在有效特征组合；② 辅助任务易快速陷入局部最优，进化后期无法为原任务提供有价值的知识迁移，竞争力下降。

2.相关创新方案

（1）为了保证所构建的辅助任务在进化过程中的竞争力，提出了一种可变多任务处理方案。 具体而言，首先提出初始化低维任务的策略，以初始化低维任务来辅助原有的高维任务。 为了避免局部停滞，提出了一种变权调整策略，其中设计了Delete和Restart两个新的操作来保持辅助任务的竞争力。

（2）在此基础上，提出了一种多目标进化算法VAMT-MOEA。 在VAMT-MOEA中，为了在辅助任务和原任务之间有效地转移知识，设计了一种新的知识转移策略，将有价值的知识从辅助任务转移到原任务。 这样就可以利用辅助任务中获得的有用知识来加速原来的高维任务，解决了“维数诅咒”问题。

（3）在10个高维数据集上验证了所提出的VAMT-MOEA的有效性

3.实验总结

在这篇文章中，提出了一个基于emt的MOEA来解决高维FS问题，命名为VAMT-MOEA。 在VAMT-MOEA中，设计了一种可变多任务方案，其中提出了变权调整策略，以保持辅助任务在进化过程中的竞争力。然后，设计了一种新的知识转移策略，在辅助任务和原始任务之间有效地进行知识转移。其优势在于，在进化过程中，所构建的辅助任务是动态调整的，有效地辅助原始任务获得更高质量的特征子集。

4.未来工作

在算法中，采用了包装器方法来评估所选特征子集的质量。 如果数据集包含大量的样本，算法的评估成本会增加很多。 因此，如何设计一种有效、高效的高维、大规模FS问题求解算法是今后的工作之一。 此外，在实际应用中，噪声无处不在，这可能会降低算法的性能。 如何从高维和噪声数据中获取特征子集也需要进一步研究。

报告时间：2025年12月26日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)