May, 2023

GPT 用于半自动化数据科学：介绍 CAAFE 进行上下文感知的自动特征工程

PDF
TL;DR通过利用大型语言模型，提出了 Context-Aware Automated Feature Engineering（CAAFE）方法，该方法可以在表格数据集中生成语义相关的功能。通过将此方法应用于 14 个数据集，可以提高 11 个数据集的性能并提供有价值的见解。
automated machine learningdomain knowledgelanguage modelsfeature engineeringtabular datasets
发现论文，激发创造
  • MACFE: 基于元学习和因果推断的特征工程框架

    该论文提出了一种基于元学习和因果特征选择的特征工程方法，名为 MACFE，通过预选择具有因果关系的原始特征来加速搜索，并在多个分类数据集上实验证明其可以显著提高预测性能。

    Jul, 2022

  • 冲突感知特征解释

    我们提出了一种新颖的特征归因方法 CAFE（冲突感知特征解释），它解决了现有方法中的三个限制：它们忽视冲突特征的影响，不考虑偏差项的影响，以及对基础激活函数的局部变化过于敏感。与其他方法不同，CAFE 在溯源神经元输入的影响上提供了防止效应被高估的保护措施，并单独跟踪输入特征和偏差的正负影响，从而增强了鲁棒性，并增加了表面冲突特征的能力。我们的实验证明，CAFE 能够更好地识别合成表格数据中的冲突特征，并在几个真实世界的表格数据集上具有最好的整体保真度，同时具有很高的计算效率。

    Oct, 2023

  • 基于可解释人工智能方法应用于自动化设计评估中的特征可视化

    这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法，结合 NeuroCAD 环境实现对 CAD 模型的评估和识别，旨在开启黑匣子，并找出影响网络决策的几何特征，帮助设计师对装配工艺进行优化。

    Jan, 2022

  • CARAFE: 内容感知特征重组

    本文提出 Content-Aware ReAssembly of FEatures（CARAFE）操作符，用于对象检测和语义 / 实例分割中的及时高效特征上采样，它有较大的视野和上下文感知处理能力，计算轻量且能够无缝地集成到现代网络架构中，并在标准基准测试中取得了显著改进，代码和模型在 https URL 中可用。

    May, 2019

  • DeepCAVE: 用于自动化机器学习的交互式分析工具

    DeepCAVE 是一个交互式框架，旨在分析和监测 AutoML 的最新优化过程，提高 AutoML 的透明度，为用户建立信任，并为用户提供自动生成的文本、表格和图形可视化，重点关注离群值检测问题。

    Jun, 2022

  • CAFE：通过特征对齐学习压缩数据集

    本文提出了一种名为 CAFE 的新方法来压缩数据集并 align 真实数据和合成数据的特征，以防止梯度偏差。我们的方案通过动态双级优化和适应性参数更新以防止过度拟合，并通过广泛实验验证了其有效性。

    Mar, 2022

  • CARAFE++: 统一的内容感知特征重组

    本文探讨了如何在卷积神经网络中实现特征重新组装的操作，提出了基于自适应核的与内容感知能力的特征重组框架 CARAFE++，并在多个场景下展示了其高效性。

    Dec, 2020

  • SAFE：工业任务自适应特征工程可扩展框架

    本文提出了一种被称为 SAFE 的分阶段方法，旨在提高特征工程的效率和可扩展性，同时保证其可解释性和性能表现，经过广泛实验论证，该方法相较于其他方法表现出更高的效率和竞争力的效果，并且具备适度的可扩展性，保证其在大规模工业任务中可落地实施。

    Mar, 2020

  • 上下文感知型特征归属分析

    通过论证的方式，提出了一种上下文感知特征归因的框架 CA-FATA，该框架将每个特征作为一个支持、攻击或中立预测的论证，通过论证过程进行特征归因计算，具有明确的语义和可解释性，并且能够整合用户上下文等额外信息以实现更准确的预测。

    Oct, 2023

  • Python 自动化特征工程与选择的 autofeat 库

    本文介绍了 Autofeat Python 库，该库能为 Scikit-Learn 风格的线性回归和分类模型提供自动特征工程和选择功能。通过多阶段的特征工程和选择过程，它可以生成一个非线性特征池，从中选择出一组有意义的特征来提高线性模型的预测准确率，同时保持其可解释性。

    Jan, 2019