محسن رمضانی

به عنوان یک روش مهم پیش‌پردازش داده‌ها، انتخاب ویژگی یک مرحله برجسته قبل از طبقه‌بندی و سایر الگوریتم‌های یادگیری ماشین است. روش‌های انتخاب ویژگی عمدتا به روش‌های فیلتر و پوششی تقسیم می‌شوند که هر کدام مزایای خاص خود را دارند و برای استفاده از نقاط قوت هر دو روش، روش‌های فیلتر-پوششی معرفی شده‌اند. با این حال، ادغام و همکاری روش‌های فیلتر و پوششی می‌تواند یک فرآیند چالش‌برانگیز باشد، زیرا نیاز به هماهنگ کردن معیارها و الگوریتم‌های مختلف و طراحی روشی برای یک همکاری سازگار بین این روش‌ها وجود دارد. از سوی دیگر، الگوریتم‌های بهینه‌سازی چند-هدفه برای مقابله با مشکلات انتخاب ویژگی چند-برچسبه بسیار کارآمد هستند. با این وجود، مطالعات نسبتا کمی در مورد انتخاب ویژگی چند-هدفه فیلتر-پوششی برای داده‌های چند-برچسبه انجام شده است. در این پژوهش، ما ابتدا یک روش جدید برای همکاری بین اجزای فیلتر و پوششی با استفاده از تکنیک نوآورانه‌ای به نام مدل‌های احتمال اهمیت (Importance Probability Models) با اختصار IPMs ارائه می‌دهیم و سپس با استفاده از این تکنیک، یک رویکرد انتخاب ویژگی فیلتر-پوششی چند-هدفه برای داده‌های چند-برچسبه به نام FWMMFS-IPMs معرفی می‌کنیم. این رویکرد از یک مؤلفه‌ی فیلترِ سریعِ اصلاح شده برای تنظیم IPMs اولیه استفاده می‌کند که سپس جهت ایجاد جمعیت اولیه مطلوب در یک الگوریتم پوششی استفاده می‌شوند. IPM ها به طور مداوم با استفاده از راه‌حل‌های بهینه حاصل از تکامل روش پوششی به‌روز می‌شوند و با بهره‌گیری از این موضوع، یک رویکرد جدید برای فرایند جهش در این الگوریتم نیز ارائه می‌شود. این فرایند نرخ همگرایی الگوریتم را بهبود می‌بخشد، از گیر کردن آن در بهینه محلی جلوگیری می‌کند و تعادل بین جستجو محلی و سراسری را برقرار می‌کند. IPMs نهایی که حاصل یک همکاری سازگار بین روش‌های فیلتر و پوششی هستند همگرا می‌شوند و مرتب سازی آنها به ترتیب نزولی، رتبه‌بندی نهایی ویژگی‌ها را ایجاد می‌کند. برای نشان دادن اثربخشی روش پیشنهادی، ما از چندین معیار شناخته شده برای ارزیابی طبقه‌بندی چند-برچسبه استفاده کرده‌ایم و آزمایش‌های متنوعی را روی مجموعه‌ داده‌های چند-برچسبه مختلف انجام داده‌ایم. FWMMFS-IMPs با الگوریتم‌های انتخاب ویژگی چند-برچسبه مشابه مقایسه شده است، و نتایج تجربی اثربخشی آن را در جنبه‌های مختلف ارزیابی، از جمله معیارهای پایداری و عملکرد نشان می‌دهد. FWMMFS-IMPs به طور موثر ابعاد داده‌های چند-برچسبه را در حوزه‌های مختلف از جمله متن، موسیقی، زیست شناسی و تصاویر کاهش می‌دهد و به طور مداوم از سایر رویکردها در معیارهای ارزیابی مختلف بهتر عمل می‌کند.