UDRN：用于特征选择与特征投影的统一维度缩减神经网络

降维（Dimensional Reduction, DR）旨在将高维数据映射至低维潜在空间，同时最小化预定义的优化目标。DR方法通常可分为特征选择（Feature Selection, FS）和特征投影（Feature Projection, FP）两类。FS专注于选取关键维度子集，但可能破坏数据的分布结构；而FP则将所有输入特征融合至低维空间，以尽可能保留数据的内在结构，但其结果往往缺乏可解释性与稀疏性。传统上，FS与FP被视为互不兼容的两类方法，因而难以整合进统一的框架中。本文提出，理想的降维方法应将FS与FP有机融合，构建一个统一的端到端流形学习框架，在实现基础特征发现的同时，保持潜在空间中数据样本间的内在关系。为此，我们提出一种统一的降维神经网络框架——统一降维神经网络（Unified Dimensional Reduction Neural-network, UDRN），以兼容且端到端的方式集成FS与FP。该框架通过两个级联的子网络，分别执行特征选择与特征投影任务，优化神经网络结构。此外，我们设计了针对降维过程的数据增强策略，以提升方法在高维特征数据集上的泛化能力，并构建了与数据增强相协同的损失函数。在四组图像数据集与四组生物数据集（包括极高维数据）上的大量实验结果表明，UDRN在分类与可视化等下游任务中显著优于现有方法（包括纯FS、纯FP以及FS与FP串联的流水线方法），充分验证了所提框架的有效性与优越性。