论文用 Group-Lasso 孪生网络同时做特征选择与表示学习。
资讯摘要
一篇论文提出将 Group-Lasso 原则引入孪生网络架构，用于同时进行特征选择与表示学习。作者称这是首个把 Group-Lasso 用于孪生网络做特征选择的研究，并给出基于欧氏距离和面向高维稀疏数据的改进 Jaccard 相似度两个变体。在 12 个基准数据集（特征维度 6 至 7070）上用 8 种分类器测试，作者报告该方法能稳定选出紧凑且有判别力的特征子集，分类性能具有竞争力或更优，并用 UMAP、t-SNE 评估嵌入质量。
要点速读
- 论文将 Group-Lasso 原则引入孪生网络架构，作者称这是该方向的首项研究。
- 提出两个变体：基于欧氏距离，以及面向高维稀疏数据的改进 Jaccard 相似度。
- 在 12 个基准数据集（维度 6–7070）上用 8 种分类器实验，作者报告特征子集紧凑且分类性能有竞争力或更优。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。