انتخاب ویژگی و استخراج ویژگی ارکان اصلی کاهش ابعاد و بهبود دقت در یادگیری ماشیناند. تجزیۀ نامنفی ماتریسی روشی پرکاربرد در این زمینه است، اما اعمال یکسان آن بر همۀ ویژگیها میتواند مانعی برای انتخاب یا استخراج دقیق الگوها باشد. این پژوهش روشی جدید با نام \lr{GEWNMF} برای استخراج ویژگی ارائه میدهد که از وزندهی مبتنیبر آنتروپی و منظمسازی گرافی استفاده میکند. در این چارچوب، وزندهی تطبیقی ویژگیها، با استفاده از معیارهای آنتروپی، موجب اولویتبندی ویژگیهای کلیدی و افزایش تفسیرپذیری مدل میشود. این سازوکار به شکل مؤثری استواری مدل را در برابر نوفه و دادههای دورافتاده ارتقا میدهد. همزمان، منظمسازی گراف با مدلسازی دقیق روابط موضعی، به حفظ ساختار هندسی دادهها کمک کرده و دقت استخراج ویژگیها را افزایش میدهد. یک روش انتخاب ویژگی بدوننظارت مبتنیبر یادگیری زیرفضایی با نام \lr{UFSAG} نیز معرفی شده است که از یادگیری تطبیقی ساختار موضعی برای کاهش نوفه و بهبود انتخاب ویژگی استفاده میکند. این روش با القای تُنکی سطری در ماتریس ضرایب ویژگی با استفاده از نرم $\ell_{2,1}$، ویژگیهای نماینده را شناسایی میکند. نتایج تجربی روی چند مجموعهداده معتبر، مزایای این روشها را نسبت به سایر رویکردها بهویژه در زمینۀ تفسیرپذیری و شناسایی الگوهای معنادار تأیید میکند.
