5 g时代的到来,极大地促进了移动网络的发展极大的提高传输容量和速度,此外,互联网的普及和各种多媒体平台,导致尺寸的增加,数据的多样性和复杂性。它迫切需要探索高效挖掘信息质量数据的降维技术。降维的主要研究内容,特征选择的目标是获得一个最优特征子集在原始空间,相反,特征提取试图找到一个适当的低维空间来表示给定的数据。这两种方法可以显著减少存储需求,进一步提高计算性能。在过去,特征选择和提取在机器学习领域都取得了极大的成功,如分类、回归和聚类。

虽然降维的目前的研究已经显示了有前景的结果,它仍然面临着挑战。模型的降维处理是不够的大规模、吵闹,和多源数据。优化算法的效率迫切渴望得到改善。此外,新兴的深度学习展示了令人鼓舞的信息特征提取能力,但可解释性仍然需要调查。

这个特殊的问题鼓励原始研究和评论文章对高性能计算模型降维在复杂的条件。我们也欢迎高效优化算法的分析和设计,以及深度学习的可解释性。

潜在的主题包括但不限于以下:

• 科学编程功能的选择
• 科学编程特征提取
• 科学规划深度学习功能
• 科学对集成学习编程
• 监督和非监督学习
• 基于聚类
• 学习并行化的特征
• 高性能的多源数据的知识发现
• 优化算法的设计和分析
• 可解释性的深度学习