Aug, 2020

通过多样性感知交互式强化学习实现的自动特征选择

PDF
TL;DR研究如何在自动化特征选择中平衡有效性和效率。通过提出一个新的交互式增强特征选择框架，将特征选择问题形式化为交互式强化学习框架，该框架通过自我探索经验及多元化外部技术指导训练器，从而加速学习。此外，该研究利用多种不同搜索策略进行训练，并提出了一种混合教学策略来帮助智能体学习更广泛的知识。最后，对真实世界数据集进行广泛实验以展示该方法的性能改进。
automated feature selectionreinforced feature selectioninteractive reinforced feature selectionreinforcement learningmachine learning
发现论文，激发创造
  • 循环决策树中的交互式强化学习特征选择

    我们提出了一种新的交互式和闭环架构，同时建模交互式强化学习（IRL）和决策树反馈（DTF），以在自动化过程中平衡有效性和效率的问题。通过实验，我们发现传统特征选择方法大多数是有效的，但难以识别最佳子集；而新兴的增强特征选择方法虽然可以自动导航到最佳子集，但通常效率较低。因此，我们的工作旨在开发一种新的特征空间导航方法。

    Oct, 2020

  • 通过单个预训练的加强代理指导的仿制品特征选择

    我们引入一种创新的特征选择框架，通过强化学习，以模拟特征和经优化的 “knockoff” 特征指导特征选择过程，从而识别出最优和有效的特征子集。

    Mar, 2024

  • 通过感知交互意识的自动转换提升特征认知能力

    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

  • AutoField: 深度推荐系统中的特征选择自动化

    本文提出了一种自适应选择重要特征字段的 AutoML 框架，该框架设计了一个可微的控制器网络，通过自动调整选择特定特征字段的概率来重新训练深度推荐模型，实验证明了该框架的有效性。

    Apr, 2022

  • 动态特征选择的最大化互信息学习

    提出了一种基于动态特征选择（DFS）和条件互信息的特征选择方法，该方法使用了一种基于分摊优化的学习方法，并在实验中表现出优于其他特征选择方法的性能。

    Jan, 2023

  • 逆向强化学习的自动特征选择

    逆向强化学习是一种从专家示范中学习奖励函数的模仿学习方法，通过使用线性组合特征表示奖励，借助多项式基函数形成特征候选集来解决连续状态空间中特征选择的问题，并利用轨迹概率与特征期望之间的关联对特征进行选择，实验表明该方法能够恢复捕获专家策略的奖励函数，适用于越来越复杂的非线性控制任务。

    Mar, 2024

  • 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

  • 基于自编码器的无监督特征选择

    本研究介绍了一种基于自编码器回归和组稀疏任务的无监督特征选择方法 AEFS，能够更灵活地选取高维数据中最重要的特征，实验结果表明该方法优于现有的方法。

    Oct, 2017

  • 通过强化学习提高特征选择的分类性能

    本研究通过采用强化学习算法（特别是 Q 学习和 SARSA 学习）来解决特征选择的挑战，评估其在优化分类任务中的效果，并以乳腺癌科英布拉数据集（BCCDS）和三种归一化方法（最小 - 最大、l1 和 l2）作为实验验证。结果显示，QL@最小 - 最大和 SARSA@l2 分别达到最高的 87% 和 88% 的分类准确度，突出了基于强化学习的特征选择方法在优化分类任务中的有效性，提高了模型的准确性和效率。

    Mar, 2024

  • 网络安全入侵检测系统中可解释性与效率的特征降维方法比较

    该研究探讨了在网络数据采集基础上，采用机器学习和深度学习方法，结合三种特征选择技术去构建出更快，更易解释，更准确的入侵检测系统，结果显示 Bat 算法得到了最高效的结果。

    Mar, 2023