Lasso（最小绝对收缩与选择算子）在线性模型中常用于特征选择，随后被扩展到多层感知机（MLP）以实现特征及组特征的筛选。Group‑Lasso 也被用于前馈神经网络的特征选择。本文首次将 Group‑Lasso 原理引入 Siamese 网络结构，实现同时保留输入数据内在表示并提升分类性能的紧凑特征子集选择。我们提出的框架有两种变体：一种基于欧氏距离，另一种基于针对实值向量设计的改进 Jaccard 相似度，后者专门用于高维稀疏数据的特征筛选。实验在 12 个基准数据集（特征维度 6~7070）上进行，使用八种不同分类器进行评估。结果表明，Siamese Lasso 能持续挑选出紧凑且具判别力的特征子集，分类表现与或优于基线方法，尽管损失函数并未显式加入分类正则项。此外，我们利用 UMAP 与 t‑SNE 对网络生成的嵌入进行流形可视化，进一步验证了特征子集的表示质量。
点评