유전 알고리즘 기반 비지도 특징 선택을 위한 정보 이론적 국소 정제
Information Theoretic Local Refinement for Genetic Algorithm based Unsupervised Feature Selection
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
비지도 특징 선택(Unsupervised Feature Selection, UFS)은 레이블 정보 없이도 고차원 데이터의내재적 구조를 보존하는 압축된 특징 부분집합을 찾는 것을 목표로 한다. 그러나 특징 부분집합의 탐색 공간은 조합적으로 매우 크며, 평가 기준 또한 비미분적 특성을 가지기 때문에 진화적탐색 기법이 적합하다. 본 연구에서는 유전 알고리즘(GA)에 정보이론 기반의 로컬 리파인먼트 메커니즘을 결합한 새로운 래퍼 기반 UFS 방법을 제안한다. 제안된 DEL 및 ADD 연산자는 엔트로피와 상호정보량을 기반으로 특징을 적응적으로 제거하거나 추가하여, 각 염색체가 더 정보량이높고 중복성이 감소된 특징 집합으로 진화하도록 돕는다. 이러한 하이브리드 전략은 GA의 전역탐색 능력과 정보이론적 판단에 기반한 지역 탐색을 결합하여 효율성을 향상시킨다. 여러 벤치마크 데이터셋을 대상으로 한 실험 결과, 제안된 방법은 기존의 GA 기반 UFS 알고리즘보다 구조보존 성능, 부분집합의 압축도, 그리고 군집 성능 측면에서 우수한 결과를 나타냈다.
Abstract
Unsupervised feature selection (UFS) aims to identify a compact subset of features that preserves the intrinsic structure of high-dimensional data without relying on label information. However, the search space of feature subsets is combinatorially large and the evaluation criteria are often non-differentiable, making heuristic and evolutionary search approaches particularly suitable. In this paper, we propose a novel wrapper-based UFS method that integrates a genetic algorithm (GA) with an information-theoretic refinement mechanism. The proposed DEL and ADD operators adaptively remove or add features based on entropy and mutual information criteria, enabling each chromosome to evolve toward a more informative and compact subset. This hybrid strategy effectively combines GA’s global exploration capability with principled local adjustments. Experimental results on multiple benchmark datasets demonstrate that the proposed method outperforms existing GA-based UFS methods in terms of structure preservation, subset compactness, and overall clustering performance.