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。

Aug, 2020

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。

Sep, 2017

研究高维数据集中的特征选择方法及其发展，包括单变量相关性排名算法、关联 - 冗余折衷和基于多变量依赖性的方法，并总结文献中各种方法的贡献，同时介绍当前的问题和挑战，以确定未来的研究和发展方向。

Jun, 2023

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

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

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

该研究提出一种名为 Sequential Attention 的特征选择算法，使用注意力权重作为特征重要性的代理，实现了神经网络的最新实证结果；通过在线性回归方面提出的理论分析，可与经典的 Orthogonal Matching Pursuit (OMP) 算法等效，并继承了所有的可证明的保证；理论和经验分析为注意力的有效性及其与过度参数化的联系提供了新的解释。

Sep, 2022

本文提出了一种新的自动化特征工程框架，基于性能驱动的改变图探索，通过强化学习之前的案例导出高效的探索策略以自动化特征工程，从而减少预测模型的成本。

Sep, 2017

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

我们提出了一种深度序列生成学习方法来进行特征选择，该方法通过学习连续嵌入空间，将特征选择决策序列映射为与效用分数相关的嵌入向量，从而解决了传统方法中存在的离散搜索空间和专家特定超参数的问题。

Mar, 2024