May, 2023

高效在线决策树学习与主动特征获取

PDF
TL;DR提出一种基于主动规划神经网络的在线决策树构建方法，利用自适应子模性来选择获取具有最小代价的特征值，通过后验采样算法降低在线预测误差，对各种现实世界中的数据集进行了广泛的实验，并在概念漂移的情况下展示其有效性和灵活性。
online learningactive planning oracleinformation acquisitionadaptive submodularityconcept drift
发现论文，激发创造
  • 为何花更多钱，当你可以花更少钱：主动特征获取和分类的联合学习框架

    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

  • 自适应采集的深度主动学习

    该论文介绍了一个新的方法，通过将采集函数作为学习预测器并通过强化反馈训练它，以打破模型选择中的恶性循环；该系统由贝叶斯神经网络、自举采集函数、概率状态定义和另一个贝叶斯策略网络组成，可在三个基准数据集上始终发现新的更好的采集函数。

    Jun, 2019

  • 评估时间变化特征设置的主动特征获取方法

    通过比较三种新的估计方法，我们介绍了主动特征获取性能评估 (AFAPE) 的问题，以及在实施活动特征获取 (AFA) 代理时的分布迁移情况。

    Dec, 2023

  • 具监督矩阵补全的主动特征获取

    本文提出了一种通过联合执行主动特征查询和监督矩阵完成来训练有效分类模型的方法，以最小化获取成本，并同时降低误差和监督损失。此外，还提出了一种成本感知的活动选择双目标优化方法来选择不同获取成本的特征。该方法已通过理论分析和实验研究得到了有效验证。

    Feb, 2018

  • 主动信息获取

    该论文提出了动态信息获取策略及如何在学习搜索框架下实现，应用于情感分析和图像识别等任务，得到了很好的统计性能，同时有潜在的特点是关注实例的突出部分和较难部分。

    Feb, 2016

  • 测试阶段顺序特征选择的快速分类

    本文提出了一种新的主动特征获取方法，使用 Lazy Model 和 Fisher scores 确定特征子集以在测试期间最大程度地提高预测性能同时最小化成本（即特征获取成本达到可接受的精度或预算限制），并在合成和实际数据集上进行了实验来证明其准确性和速度优势。

    Jun, 2023

  • 通过多任务双层优化学习主动学习的排序

    活动学习是通过有选择性地请求标签以提高模型性能从而减少标注成本的一种有前途的范式。本研究提出了一种新的活动学习方法，通过一个学习的代理模型选择批次的未标记实例来进行数据获取，从而克服了现有活动学习方法所依赖于昂贵的获取函数计算、广泛的建模重训练和与注释者的多轮交互等局限性。

    Oct, 2023

  • 通过主动数据采购实现低成本学习

    本研究致力于设计在线数据采购机制，旨在使代理人能够通过使用过去的数据主动定价以购买未来的数据，同时即使代理人透露数据的成本取决于数据本身，也能给出学习保证。我们的算法和分析是构建在无悔学习模型上的，具备基于预算约束条件下的风险控制保证，且使用的主要资源是金钱。

    Feb, 2015

  • 基于分类树的主动学习：一种封装方法

    使用包装器主动学习方法对分类问题进行改进，通过在初始标记样本上构建分类树，将空间分解为低熵区域，再使用基于输入空间的准则从这些区域中进行子采样，并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。

    Apr, 2024

  • 主动学习：问题设置和最新发展

    本文介绍了有监督学习中获取标记数据的高成本和获取大量未标记数据的轻松方法，以及通过自适应选择标记样本来获得高精度预测模型的主要问题设置和最近的研究趋势。重点介绍了选择从数据中进行标记的学习获取函数的研究、关于主动学习算法的理论工作和顺序数据获取的停止标准。介绍了材料开发和测量的应用示例。

    Dec, 2020