基于遗传编程进化规划的变异算子的自动化设计

变异是进化规划的唯一算子,随着计算机技术的迅猛发展,以及研究人员在该领域近15年的不断研究,利用计算机寻找变异算子的方法成为可能,并得以实现——即通过遗传编程的方法寻找变异算子.通过新方法找出的变异算子,使进化规划算法的效率获得大幅提升.

基于自适应图学习的半监督特征选择

随着数据特征维数的增加,如何在少量有标签和大量无标签高维样本的情况下选择相关的特征子集已成为特征选择领域的热点问题.针对现有半监督特征选择算法直接忽略特征选择与局部结构学习之间的相互作用,从而难以有效获取样本分布结构的问题,本文提出了一种基于自适应图学习的半监督特征选择(Semi-supervised Feature Selection with Adaptive Graph learning,SFSAG)算法.利用标签传播将特征空间的稀疏投影学习和近邻图的构建有效地结合起来,实现在选择相关特征的同时还能学习样本的局部结构;自适应地利用样本在投影特征空间中的相似性信息构建可靠的近邻图,从而有效降低噪声特征的干扰并选择更具判别性的特征子集.多种数据集上的实验验证了SFSAG的有效性及其相对于现有半监督特征选择算法的优越性.