作者：Yvan Saeys 1, * , In˜aki Inza 2 and Pedro Larran˜aga 2单位：1 Department of Plant Systems Biology, VIB, B-9052 Ghent, Belgium and Bioinformatics and Evolutionary Genomics group, Department of Molecular Genetics, Ghent University, B-9052 Ghent, Belgium 2 Department of Computer Science and Artificial Intelligence, Computer Science Faculty, University of the Basque Country, Paseo Manuel de Lardizabal 1, 20018 Donostia - San Sebastia´n, Spain.发表期刊：BIOINFORMATICS, 2007, 23, 2507-2517论文简介：特征选择技术已成为许多生物信息学应用的明显需要。除了在机器学习和数据挖掘领域已经开发出的大量技术之外，生物医学中的具体应用也催生了大量新技术。文中，作者让感兴趣的读者了解特征选择的可能性，提供了特征选择技术的基本分类，并讨论了它们在许多常见的和即将到来的生物信息学应用程序中的使用、多样性和潜力。研究方向：特征选择（生物医学方向综述）
下载作者：Ling Wanga,b,∗, Jianyao Menga,b, Ruixia Huanga,b, Hui Zhua,b, Kaixiang Peng a,b单位：a College of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China b Key Laboratory of Knowledge Automation For Industrial Processes, University of Science and Technology Beijing, Ministry of Education, Beijing 100083, China发表期刊：FUZZY sets and systems, 2019, 368, 1-19.论文简介：本文主要研究模糊数据流的模糊特征选择。提出了一种新的增量特征加权方法，该方法包括离线模糊特征选择和在线模糊特征选择两个主要阶段。使用滑动窗口对模糊数据集进行划分。在每一个新的滑动窗口中执行在线特征选择算法。根据模糊输入特征的重要程度，将前一个滑动窗口的模糊特征选择结果与当前候选模糊特征集相结合，对当前窗口的特征子集进行更新。最后，利用滑动窗口之间的模糊特征权值，找出模糊输入特征的演化关系。研究方向：特征选择算法
下载作者：Sabah Sayed, Mohammad Nassef∗, Amr Badr, Ibrahim Farag单位：Faculty of Computers and Information, Department of Computer Science, Cairo University, 5 Dr. Ahmed Zewail St., Orman, Giza, Egypt.发表期刊：Expert Systems With Applications, 2019, 121, 233-243.论文简介：本文针对微阵列数据集特征高维性的挑战，提出了一种基于t检验和遗传算法的集成特征选择方法。在对数据进行t检验预处理后，使用嵌套遗传算法，即Nested-ga，结合来自两个不同数据集的数据，得到特征的最优子集。嵌套遗传算法包括两个嵌套的遗传算法(外部和内部)，运行在两种不同的数据集。外遗传算法(OGA-SVM)工作在微阵列基因表达数据集，而内遗传算法(IGA-NNW)运行在DNA甲基化数据集。采用嵌套遗传算法对结肠癌数据集进行5倍交叉验证。在应用嵌套遗传算法后，采用增量特征选择(IFS)策略得到最小的最优基因子集。研究方向：特征选择(T-检验和遗传算法相结合)
下载作者：Peter Bugata, Peter Drotár*单位：Department of Computers and Informatics, Technical University of Kosice, Letná 9, Košice, Slovakia发表期刊：Knowledge-Based Systems, 2019, 163, 749-761.论文简介：本文提出了一种新的基于k近邻算法的监督特征选择方法，使用距离和属性加权的k近邻与梯度下降作为迭代优化算法，以寻找函数的最小值。新方法与最先进的特征选择算法比较使用8人工和12高维真实数据集。实验结果表明，提出的算法能够识别出相应的特征，并显示出四种预测算法的最高预测性能。研究方向：特征选择算法(有监督K近邻)
下载作者：Hongjun Wanga,∗, Yinghui Zhang b, Ji Zhanga, Tianrui Lia, Lingxi Pengc单位：a School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China b Software Center, Northeastern University, Shenyang 110819, China c School of Mechanical and Electrical Engineering, Guangzhou University, Guangzhou, Guangdong 510 0 06, China发表期刊：Information Sciences, 2019, 480, 144-159.论文简介：本文提出了一种无监督特征选择的因子图模型，这个方法明确的衡量特征之间的相关性，相似点在图模型中以消息的形式相互传递，利用消息传递算法计算每个特征的重要度，然后根据最终的重要度进行特征选择。研究方向：特征选择算法(图模型)
下载