朱星宇，陈秀宏

（1.江南大学 人工智能与计算机学院，江苏 无锡 214122;2.江南大学 江苏省媒体设计与软件技术重点实验室，江苏 无锡 214122）

在信息时代背景下产生了海量的高维数据，然而这些数据通常含有大量冗余特征和噪声，降低了算法的性能。因此，如何从高维数据中选出最有效的特征即特征选择已成为一项研究热点，特征选择旨在通过去除冗余、不相关和有噪声的特征，找到一组简洁且具有良好泛化能力的特征，由此产生的方法已在机器学习[1]、数据挖掘[2]和生物信息学[3]等领域得到了广泛的应用。基于是否使用标签，特征选择方法可分为有监督学习[4]和无监督学习[5]。

有监督学习依赖于数据的标签信息，并利用它直接指导学习过程。然而，从未标记数据中提取最有判别性的信息是一个具有挑战性的问题，由于无监督特征选择可以根据原始数据的潜在属性来确定特征的重要性，因此近年来越来越受到研究人员的关注。本文主要研究无监督特征选择方法。

基于谱分析的无监督特征选择因其出色的性能引起了广泛关注，本节将回顾一些比较经典的谱特征选择方法。无监督的判别特征选择(L2,1-norm regularized discriminative feature selection for unsupervised learning)[6]联合使用判别分析和L2,1范数进行无监督特征选择，它虽然可以选择判别性的特征，但却忽略了数据间的内在结构。Nie 等[7]提出了灵活流形嵌入(flexible manifold embedding:a framework for semi-supervised and unsupervised dimension reduction)作为降维的一般框架，非负判别特征选择(unsupervised feature selection using nonnegative spectral analysis)[8]则在FME 框架中结合特征选择和谱聚类学习，它具有鲁棒非负矩阵分解、局部学习和鲁棒特征学习的优势。……