KDDJun, 2022

一种嵌入式特征选择控制框架

PDF
TL;DR通过分析真实和虚拟世界中深度强化学习的响应，Dual-world embedded Attentive Feature Selection (D-AFS) 能够为动态控制下的系统高效选择相关的传感器，进而实现传感器选择最优化，通过在气动力学问题上的实际测试，该方法成功优化了 5 个探针布局，表明其在实验或工业系统的传感器优化方面具有广泛的应用前景。
sensor selectionattentive feature selectiondeep reinforcement learningoptimizationindustrial control
发现论文，激发创造
  • AFS：一种基于注意力机制的监督特征选择方法

    本研究提出了一种新颖的神经网络特征选择体系结构，称为基于注意力机制的特征选择（AFS），它包括两个可分离的模块：特征权重生成的注意力模块和问题建模的学习模块。 通过实验结果，AFS 在与多种最先进的特征选择算法的比较中表现出最佳的精度和稳定性。

    Feb, 2019

  • 基于动态特征的深度强化学习在圆柱稀疏表面压力感应下的流控制中的应用

    提出了一种基于深度强化学习的自学习算法 DF-DRL，通过提高传感器信号（DF）的动态特征，自动学习反馈控制来控制圆柱尾流，实验结果表明可以将阻力系数降低至先进水平约 8%，从而可以通过使用较少的传感器信号控制尾流。

    Jul, 2023

  • 通过多样性感知交互式强化学习实现的自动特征选择

    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

  • 端到端语音翻译的自适应特征选择

    本文介绍了自适应特征选择（AFS）来优化基于编码器 - 解码器的端到端语音翻译，实验表明， 使用 AFS 来稀疏语音特征可以提高翻译效果，降低模型计算复杂度，并与级联基线模型相比取得了更好的性能，在 LibriSpeech En-Fr 上的 BLEU 分数达到了 18.56。

    Oct, 2020

  • 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

  • DRCFS：双重稳健因果特征选择

    DRCFS 是一种具有理论保证的双重稳健特征选择方法，可用于确定复杂系统中与目标变量高度相关的因果特征，特别是针对非线性和高维问题。

    Jun, 2023

  • 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

  • 深度强化学习用于机器人控制的传感器融合

    本文探讨使用深度强化学习算法来进行机器人控制，并结合多个传感器的信息，提出了一种融合传感器信息并且在传感器故障时仍能稳妥地进行操作的深度神经网络架构，并在仿真与真实环境中进行了搜索与拾取任务的测试。

    Mar, 2017

  • A-SFS：基于多任务自监督的半监督特征选择

    通过引入基于深度学习的自监督机制，提出了一种批量注意力自监督特征选择（A-SFS）方法，该方法利用多任务自监督自编码器发现特征之间的隐藏结构，并通过批量注意力机制生成特征权重，以减少少量有噪音数据的影响。与 14 种主要的算法进行比较，实验结果表明，该方法在大多数数据集中具有最高的准确性，并且在降低对标签的依赖，并且对于噪声和丢失数据最具有鲁棒性。

    Jul, 2022

  • 静态特征设置的主动特征获取方法评估

    在这篇研究论文中，我们介绍了一种半离线强化学习框架，用于评估部署活动特征获取性能 (active feature acquisition performance evaluation, AFAPE)。首先，我们将 AFAPE 问题扩展到静态特征环境中，从而为 AFA 代理提供决策特征获取顺序的更大灵活性。然后，在半离线强化学习框架中，我们推导和适应了新的逆概率权重估计器 (inverse probability weighting, IPW)，直接方法估计器 (direct method, DM) 和双重强化学习估计器 (double reinforcement learning, DRL)。这些估计器可应用于具有缺失数据的回顾数据集，无论缺失性是否遵循随机缺失 (missing-at-random, MAR) 模式或非随机缺失 (missing-not-at-random, MNAR) 模式。在合成数据和真实世界数据的实验中，我们展示了半离线强化学习估计器在合成 MAR 和 MNAR 缺失数据下的改进数据效率。

    Dec, 2023