ترجمه فارسی مقاله بازتولید الگوریتم IVFS برای انتخاب ویژگی حفظ توپولوژی با ابعاد بالا

چکیده

Feature selection is a crucial technique for handling high-dimensional data. In unsupervised scenarios, many popular algorithms focus on preserving the original data structure. In this paper, we reproduce the IVFS algorithm introduced in AAAI 2020, which is inspired by the random subset method and preserves data similarity by maintaining topological structure. We systematically organize the mathematical foundations of IVFS and validate its effectiveness through numerical experiments similar to those in the original paper. The results demonstrate that IVFS outperforms SPEC and MCFS on most datasets, although issues with its convergence and stability persist.

چکیده به فارسی (ترجمه ماشینی)

انتخاب ویژگی یک روش مهم برای دستیابی به داده های با ابعاد بالا است.در سناریوهای بدون نظارت ، بسیاری از الگوریتم های محبوب بر حفظ ساختار داده اصلی تمرکز دارند.در این مقاله ، ما الگوریتم IVFS معرفی شده در AAAI 2020 را تولید می کنیم ، که از روش زیر مجموعه تصادفی الهام گرفته شده و با حفظ ساختار توپولوژیکی ، شباهت داده ها را حفظ می کند.ما به طور سیستماتیک مبانی ریاضی IVFS را سازماندهی می کنیم و اثربخشی آن را از طریق آزمایش های عددی مشابه موارد موجود در مقاله اصلی تأیید می کنیم.نتایج نشان می دهد که IVFS از مشخصات و MCF در اکثر مجموعه داده ها بهتر است ، اگرچه با همگرایی و ثبات آن همچنان ادامه دارد.