FSDR：一种基于离散松弛的伪时间序列数据的新型深度学习特征选择算法
内容提要
本文介绍了多种新算法和方法，如NeuralFDR、FSDR和FSR，旨在优化特征选择和降维过程。这些方法通过深度学习和统计一致性，提高了分类精度和模型鲁棒性，特别是在高维数据和时间序列处理方面表现突出。
延伸解读
FSDR 的命名歧义与核心思想
文章标题中的 FSDR 指基于离散松弛的伪时间序列数据特征选择算法，但正文中 FSDR 也指基于频率空间域随机化的方法。两者虽缩写相同，但前者面向特征选择，后者用于域泛化。读者需注意区分，避免混淆。
深度可微特征选择的框架设计
该框架将离散特征子集转换为连续嵌入空间进行优化，包含深度特征子集编码器、准确性评估器、解码器和梯度上升优化器。这种设计使特征选择过程可微，便于端到端训练，为高维数据提供通用且原则性的解决方案。
错误发现率控制与高维处理
NeuralFDR 算法能自动学习发现阈值，并具有强大的错误发现率保证，适用于多维离散和连续特征的假设检验。同时，AdaTSK 神经模糊系统可处理高达 7000 维的数据，表明这些方法在高维场景下具有潜力，但需注意其计算复杂性和适用条件。
时间序列特征选择的实际效果
顺序特征分离方法在 UCR 存档上测试表明，能在保持高准确率的同时将特征数量减少到原始数量的 10%，并提供了 Detach-ROCKET 端到端过程以平衡准确率和特征数量。这为时间序列数据中大量随机生成特征的冗余问题提供了实用解决方案。
Q&A
FSDR算法的主要特点是什么？
FSDR算法通过将图像分解为不变频率成分和变异频率成分，实现了更可控的域随机化过程，具有优异的分隔性能。
NeuralFDR算法如何提高假设测试的准确性？
NeuralFDR算法能够自动学习假设功能的发现阈值，并具有强大的错误发现率保证，从而提高假设测试的准确性。
FSR方法在对抗训练中有什么优势？
FSR方法通过分离和校准恶意激活，提高了对抗训练的健壮性，同时计算开销较小。
顺序特征分离方法如何处理时间序列数据？
顺序特征分离方法有效减少了时间序列数据中的特征数量，同时保持高准确率。
AdaTSK神经模糊系统的处理能力如何？
AdaTSK神经模糊系统能够处理高达7000维的数据，有效克服高维问题。
FreshPRINCE和DrCIF算法的表现如何？
FreshPRINCE和DrCIF算法在时间序列外生回归中显著优于其他18个回归算法，尤其在与标准旋转森林回归算法的比较中表现突出。
