恭喜实验室袁俐新老师论文被ICML2025(CCF-A)录用

Stray Intrusive Outliers-Based Feature Selection on Intra-Class Asymmetric Instance Distribution or Multiple High-Density Clusters ICML2025 （CCF-A，人工智能领域顶会）

针对具有类内非对称实例分布或多高密度簇（ADMHC）特性的数据，传统离群点具有真实分类意义且蕴含特定模式特征，但其类主体往往难以有效辨识。现有特征选择（FS）方法多基于全部训练实例进行特征评分，鲜少专门针对类内ADMHC数据。为此，本文提出监督式特征选择方法SIOFS（基于游离侵入性离群点的特征选择），通过聚焦游离侵入性离群点（SIOs），修正偏度系数并融合3σ准则阈值以辨识类主体，最终基于SIOs的侵入程度完成特征评分。此外，提出优化密度均值中心合理表征类主体共性特征。通过数学建模、定理证明及逻辑推演，确保SIOFS方法参数设置的理论合理性与普适性。在15个多样化基准数据集上的实验表明，SIOFS在分类准确率、归一化互信息及混淆矩阵指标上均显著优于12种前沿特征选择方法。