我院张笑钦教授在人工智能顶级学术期刊《IEEE T-NNLS》上发表论文

      近日，我院张笑钦教授为第一作者的科研论文（长文）：Top-k Feature Selection Framework Using Robust 0-1 Integer Programming（基于鲁棒0-1整数规划的最优K特征集选择框架）在IEEE神经网络与学习系统汇刊（IEEE T-NNLS, DOI: 10.1109/TNNLS.2020.3009209.）上发表。论文的第一作者单位为温州大学计算机与人工智能学院。

      特征选择的目的是找出数据中的关键性特征，同时去除冗余和噪声特征。它不但能有效提高学习算法性能，还可以显著地降低算法的计算复杂度，在机器学习研究中有着重要的价值。大多数特征选择方法采用某种特定准则计算所有特征的评分，然后依据评分从高到低对特征进行排序，并将评分最高的K个特征作为结果。由于局部最优一般不如全局最优，所以K个好的特征构成的集合未必是最好的由K个特征所构成的集合。为了解决上述问题，本文提出基于0-1整数规划近似优化算法的特征选择理论框架。在该框架下可以提出新的特征选择方法，这些方法能够得到在给定标准下近似最优的含有K个特征的集合，即近似全局最优解。基于该框架，我们分别提出了一个无监督特征选择方法和一个半监督特征选择方法。最后，这两个方法都在基准公开数据集上进行了验证，结果证明了本文所提出利用0-1整数规划进行特征选择方法的有效性。本文工作获得了国家自然科学基金项目和国家科技部项目的资助。

      IEEE T-NNLS，全称为IEEE Transactions on Neural Networks and Learning Systems，是人工智能、模式识别、图像处理、计算机视觉等多个领域的顶尖国际期刊，其2018年度影响因子为11.683，属于中科院一区期刊，在JCR分区中的COMPUTER SCIENCE, HARDWARE & ARCHITECTURE(计算机科学，硬件和体系架构)和 COMPUTER SCIENCE, THEORY & METHODS(计算机科学，理论和方法)领域都是名列1区且在所有该领域期刊中排名第2。

      X. Zhang, M. Fan, D. Wang, P. Zhou and D. Tao, "Top-k Feature Selection Framework Using Robust 0-1 Integer Programming," in IEEE Transactions on Neural Networks and Learning Systems, doi: 10.1109/TNNLS.2020.3009209.