李珑珠，林耀进，吕 彦，卢 舜，王晨曦

1.闽南师范大学 计算机学院，福建 漳州363000

2.数据科学与智能应用福建省高等学校重点实验室，福建 漳州363000

在图像分类[1]、医学诊断[2]和生物基因学[3]等领域，数据的特征空间往往呈现高维性，特征选择是机器学习领域中一种有效的数据预处理技术。随着Web2.0及各种智能终端的快速发展，数据的特征空间不再是一个静态固定的，而是动态的甚至是未知的[4]。因此，已有特征选择算法无法解决实时产生的数据，需构建一类新的特征选择方法来处理数据特征呈现序列达到的特性[5]。于是，在线流特征选择算法因其能有效处理动态流特征而受到了广泛的关注[5-7]。

流特征是指样本空间固定不变，而特征空间是动态未知的且特征逐个获取[4]。例如，从高分辨率的行星图像进行火星陨石坑检测[5]中，可以为远距离测量行星表面的相对年龄提供唯一的解决方案，而且从行星图像中生成并储存数以万计的图像特征来几乎覆盖火星表面的全范围是不可行的，因此图像特征需提取时立即进行在线选择。目前，流特征选择面临的主要问题有：（1）特征维度可能随着时间的推移而增加，甚至可能扩展到无限大。（2）在单位时间内特征逐个流入，且要求特征在达到时能够被实时处理。根据样本的语义信息，在线流特征选择算法可以分为单标记在线流特征选择算法和多标记在线流特征选择算法。单标记在线流特征选择算法包括……