SAFE:工业任务自适应特征工程可扩展框架
基于遮掩的孪生视觉变压器提取器 (SAFE) 是一种新颖的自监督学习框架,通过对未标记的合成孔径雷达影像数据进行对比学习,提取稳健且具有普适性的特征。SAFE 可用于多种合成孔径雷达采集模式和分辨率下,具有针对合成孔径雷达影像的数据增强技术,如亚孔径分解和去斑点处理。对少样本分类、分割、可视化和模式检测等多种下游任务的全面评估表明,所提出的方法的有效性和多功能性。即使在未经使用的传感器上进行评估,我们的网络在少样本分类和分割任务上与或胜过其他先进方法。
Jun, 2024
该论文提出了一个面向数据的 AI 框架,可以自动选择重要特征,实现自动发现不同的数据子组并提高检测性能。通过在 MIMIC-III 和 Allstate Claims 公开数据集上的验证,该框架比现有的六种特征选择方法减少了 81 倍和 104 倍的特征选择时间,并实现了有竞争力的检测性能。
Mar, 2022
这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法,结合 NeuroCAD 环境实现对 CAD 模型的评估和识别,旨在开启黑匣子,并找出影响网络决策的几何特征,帮助设计师对装配工艺进行优化。
Jan, 2022
该论文提出了一种基于元学习和因果特征选择的特征工程方法,名为 MACFE,通过预选择具有因果关系的原始特征来加速搜索,并在多个分类数据集上实验证明其可以显著提高预测性能。
Jul, 2022
自动化的特征工程框架 AutoMAN 通过有效地探索候选转换空间并学习特征重要性掩码,将数据集的任务目标直接整合进特征工程,从而实现了与替代方法相比具有更高的准确性和更低的延迟。
Jun, 2024
通过利用大型语言模型,提出了 Context-Aware Automated Feature Engineering(CAAFE)方法,该方法可以在表格数据集中生成语义相关的功能。通过将此方法应用于 14 个数据集,可以提高 11 个数据集的性能并提供有价值的见解。
May, 2023
通过引入一种交互感知的增强生成视角,我们重新定义特征空间重建为通过选择创建有意义的特征和控制特征集大小的嵌套过程,从而自动化特征和操作的选择以及特征交叉。通过结合统计度量,我们基于所选特征之间的相互作用强度奖励智能体,实现了对特征空间的智能和高效的探索,从而模拟人体决策过程。通过进行大量实验证实了我们提出的方法。
Sep, 2023
现代人工智能(AI)的方法旨在设计可以直接从数据中学习的算法,本文综述了深度学习流程中自动化数据处理任务的方法,包括数据预处理、数据增强和特征工程,并讨论了自动机器学习方法和工具在整个机器学习流程中的优化应用。
Mar, 2024
本文介绍了 Autofeat Python 库,该库能为 Scikit-Learn 风格的线性回归和分类模型提供自动特征工程和选择功能。通过多阶段的特征工程和选择过程,它可以生成一个非线性特征池,从中选择出一组有意义的特征来提高线性模型的预测准确率,同时保持其可解释性。
Jan, 2019
KRAFT 是一个 AutoFE 框架,利用知识图谱来指导生成可解释特征,通过神经生成器和基于知识的推理器结合的混合 AI 方法来提高预测准确性和生成特征的可解释性。实验证明,KRAFT 在提高准确性的同时保证了较高的可解释性。
Jun, 2024