Feb, 2023

数据中心的 AI：利用离散子集作为连续嵌入空间优化的深度生成可微特征选择

PDF
TL;DR通过将离散特征子集转换为连续嵌入空间优化的方法，我们提出了一种新的深度可微特征选择任务，实现了一种通用和原则性的框架，该框架包括深度特征子集编码器，准确性评估器，解码器和梯度上升优化器。
feature selectionfilter methodswrapper methodsembedded methodsdeep differentiable feature selection
发现论文，激发创造
  • 特征选择作为深度顺序生成学习

    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

  • 基于神经符号嵌入的自回归生成短且高效特征选取

    本研究通过神经符号化的视角提出了一个新颖的生成框架，旨在通过学习有效特征子集来改进下游模型的性能，并且提出了一个基于编码器 - 解码器 - 评估器学习范式，在连续嵌入空间中保留特征选择的智能进行高效搜索。综合实验证实了该框架的有效性。

    Apr, 2024

  • 增强型强化学习自回归特征变换：连续空间中的梯度引导搜索后缀表达式

    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

  • 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

  • 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

  • 使用狄利克雷能量的特征联合和可微的 k-NN 图学习

    本研究提出一种基于 Dirichlet 能量的深度特征选择方法，使用 Gumbel Softmax 技术和 Optimal Transport 理论解决离散特征选择和 $k$-NN 图形学习的不可微分问题，并验证了该模型在合成数据集和真实数据集上良好的效果。

    May, 2023

  • 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

  • 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

  • 嵌入特征选择的离群点检测集成

    提出了一种嵌入特征选择的异常检测集成框架 (ODEFS)，通过成对排名使特征选择和异常检测融合，使用阈值自适应学习同时优化特征选择和样例选择，设计了一个交替算法解决优化问题，分析了该框架的泛化误差界限，实验结果表明 ODEFS 的优越性。

    Jan, 2020