Sep, 2017

为何花更多钱，当你可以花更少钱：主动特征获取和分类的联合学习框架

PDF
TL;DR提供了一个新的框架，通过强化学习问题对活动特征获取问题进行建模，并引入了一种更系统完善的特征子集编码机制，该方法使用无序 LSTM-based 的集合编码机制来进行学习，从而在包含有缺失条目的情况下得到了很好的应用，并在活动特征获取方面性能均优于其他基线系统。
发现论文，激发创造
  • 高效在线决策树学习与主动特征获取

    提出一种基于主动规划神经网络的在线决策树构建方法，利用自适应子模性来选择获取具有最小代价的特征值，通过后验采样算法降低在线预测误差，对各种现实世界中的数据集进行了广泛的实验，并在概念漂移的情况下展示其有效性和灵活性。

    May, 2023

  • 使用深度强化学习进行代价昂贵的特征分类

    本文研究一个分类问题，针对特征的代价进行优化，通过应用神经网络的顺序决策方法来解决分类问题，表现与专为此问题开发的算法相当，并且灵活性高，可通过引入预先训练的高性能分类器来改进。

    Nov, 2017

  • 评估时间变化特征设置的主动特征获取方法

    通过比较三种新的估计方法，我们介绍了主动特征获取性能评估 (AFAPE) 的问题，以及在实施活动特征获取 (AFA) 代理时的分布迁移情况。

    Dec, 2023

  • 主动信息获取

    该论文提出了动态信息获取策略及如何在学习搜索框架下实现，应用于情感分析和图像识别等任务，得到了很好的统计性能，同时有潜在的特点是关注实例的突出部分和较难部分。

    Feb, 2016

  • 测试阶段顺序特征选择的快速分类

    本文提出了一种新的主动特征获取方法，使用 Lazy Model 和 Fisher scores 确定特征子集以在测试期间最大程度地提高预测性能同时最小化成本（即特征获取成本达到可接受的精度或预算限制），并在合成和实际数据集上进行了实验来证明其准确性和速度优势。

    Jun, 2023

  • 自适应采集的深度主动学习

    该论文介绍了一个新的方法，通过将采集函数作为学习预测器并通过强化反馈训练它，以打破模型选择中的恶性循环；该系统由贝叶斯神经网络、自举采集函数、概率状态定义和另一个贝叶斯策略网络组成，可在三个基准数据集上始终发现新的更好的采集函数。

    Jun, 2019

  • 机会式学习：来自数据流的有限成本敏感学习

    本研究提出了一种基于强化学习和 MC dropout 采样方法的在线成本敏感特征获取方案，该方案可适用于流式学习的场景，测试结果表明该方案能够有效地获取特征并做出准确预测。

    Jan, 2019

  • 深度图像分类的成本效益主动学习

    本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。

    Jan, 2017

  • 特征和实例联合选择：一种强化学习的视角

    本研究提出了一种基于强化学习的联合特征选择和实例选择方法，通过使用序列扫描机制作为代理的行动策略，协作变化环境来加强代理合作，并引入交互范式来帮助代理进行更高效的探索。实验表明，本方法可以有效地捕捉特征空间和实例空间之间的交互关系。

    May, 2022

  • 基于强化学习的多模态特征融合网络用于新类别发现

    利用深度学习技术和强化学习框架，该研究探索了未标记数据识别和分类的方法，实现了在开放域中对新类别的发现，通过多模态信息提取和融合特征，利用自监督学习和聚类方法来增强模型训练，通过环境反馈的奖励调整网络参数，确保对未知数据类别的学习准确性。研究结果在 3D 和 2D 领域的实验数据集上表现出良好的性能。

    Aug, 2023