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

特征转换是从原始特征中生成新的模式区分性特征空间，以提高下游机器学习任务的性能。本文通过将离散特征转换重新定义为连续空间优化任务，并开发了一个嵌入 - 优化 - 重构的框架，以填补现有方法在大搜索空间下搜索效率和稳定性之间的缺陷。

Sep, 2023

这篇研究论文讨论了如何通过强化学习来自动化特征转换，以解决维度灾难、数据稀疏性和模型泛化等问题，并提出了一种集成图形表示和增强学习技术的自优化框架来改进其效果和通用性。

Jun, 2023

提出了一种自优化框架，用于固有特征空间的转换，以增强机器学习模型的泛化能力，通过使用强化学习来改善性能并比较不同的训练策略。

Sep, 2022

特征生成旨在创建有区分度的表示空间，用于生成新的有意义的特征。本论文提出了一种自优化的特征生成方法，通过特征离散化、特征哈希和描述性总结来实现特征的哈希表示，并提出了一种层次化强化特征交叉方法进行特征生成。

Sep, 2023

本文研究功能性显著表征的强化学习方法，可以用于改善稀疏奖励问题的探索、实现具有长期视野的分层强化学习和作为下游任务的学习策略的状态表征。通过在多个虚拟环境中对比实验，表明该方法在表征学习、探索和分层强化学习方面具有优势。

Nov, 2018

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

提出了一个基于表示的强化学习框架，使用来自上下文强化学习的技术来指导探索和利用。通过在线性特征空间中嵌入策略网络，将勘探利用问题转化为表示利用问题，这样好的策略表示能够实现最佳勘探。通过应用于进化和策略梯度方法，本框架比传统方法具有显著提高的性能。该框架提供了关于强化学习的新视角，突出了策略表示在确定最佳勘探利用策略方面的重要性。

May, 2023

通过在 RoboMimic 环境中验证，本研究提出一个名为 GSRL 的创新广义高斯喷洒框架作为强化学习任务的表征，相比基线方法在多个任务上提高了 10％，44％和 15％的性能，是首次尝试将可泛化的 3DGS 作为强化学习的表征。

Mar, 2024

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