【报告内容】

汇报人：贾利阳

汇报单位：太原理工大学

主题：Permutation-Based Multi-Objective Evolutionary Feature Selection for High-Dimensional Data

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1、待解决的问题描述

（1）传统 FS 分为过滤 Filter、包装 Wrapper、嵌入 Embedded 三类，均有不可调和缺陷：

过滤法 (Filter) 仅依靠统计指标（相关、互信息）评价特征，不结合预测模型，无法捕捉特征和标签的真实非线性关联，选出的子集预测性能偏弱；

包装法 (Wrapper) 以模型精度为评价标准，效果更好，但每搜索一个特征子集就要重新训练一次模型，高维下计算量爆炸，完全不适用万级特征数据集；

嵌入法 (Embedded) 将特征选择融合进模型训练，效率介于两者之间，但强绑定特定模型，通用性差，容易产生偏向性次优子集。

（2）PFI 是主流模型无关特征评估方法，但设计存在本质缺陷：

单特征独立评估，完全忽略特征交互 PFI 每次只打乱 1 个特征，只能衡量单个变量重要性，无法识别特征组合协同作用，高维基因数据下筛选结果严重失真；

需要人工设定保留特征数量，无自动最优权衡机制 PFI 只能输出特征重要性排序，研究者必须手动指定前 N 个特征，N 的选择极大影响最终模型效果，无客观优化标准

2.相关创新方案

（1）提出了PSEFS-MOEA，一种基于置换的新颖特征选择方法，评估属性子集而非单个特征。

（2）引入了两种互补版本：PSEFS-MOEA-V1，用于在验证集上评估属性子集，以及PSEFS-MOEA-V2，直接对训练集进行评估。

3.实验总结

本研究提出了PSEFS-MOEA，一种基于置换的新型特征选择方法。 PSEFS-MOEA采用多目标方法评估特征子集 ，并采用多目标进化算法作为寻找最优子集的搜索策略。

4.未来工作

可通过引入类权重优化、集成集成学习和提升可扩展性等方向进一步提升所提方法的性能。

报告时间：2026年07月31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)