Jun, 2023

测试阶段顺序特征选择的快速分类

PDF
TL;DR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。
active feature acquisitionclassificationlazy modelfisher scoresbudget
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

  • 高效在线决策树学习与主动特征获取

    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。

    May, 2023

  • 动态特征选择训练快速序列预测

    通过将特征划分为有序的模板序列，使算法能够在保持准确性的前提下，减少计算量和加速训练，在多个 NLP 组件中能够得到应用，特别是在左到右的分词标注中表现出较好的效果。

    Oct, 2014

  • 贪婪特征选择：通过贪婪方法进行分类器依赖特征选择

    本研究介绍了一种名为贪婪特征选择的用于分类任务的特征排序新方法，并通过理论和数值测试探究了该方法在模型容量指标以及预测活动太阳的地球有效表现问题上的好处。

    Mar, 2024

  • 学习动态特征选择进行快速序列预测

    本文提出了一种基于模板分区和对特征进行排序的配对学习和推理算法，用于大幅减少 NLP 组件中分类器中的向量点积的计算量和提高其速度，并通过词性标注、命名实体识别和基于转移的依存解析等三项实验验证了其实用性。

    May, 2015

  • 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

  • 在线稀疏流特征选择使用调整分类

    本研究提出了基于自适应分类的在线稀疏特征流式选择方法 (OS2FS-AC)，通过潜在因子分析 (LFA) 预估缺失数据，将特征划分为强相关、弱相关和不相关三类，并将其中的弱相关特征进一步进行信息分割，实验证明该方法在真实数据集上的表现优于现有算法。

    Feb, 2023

  • 生成器辅助批处理中的专家混合特征提取

    在批量特征获取问题中，我们通过使用特征生成器、数据分区和贪心算法结合模型训练等技术创新，以在准确性和特征获取成本之间取得最佳平衡，成功解决了特征获取问题。

    Dec, 2023

  • 特征选择的序列注意力

    该研究提出一种名为 Sequential Attention 的特征选择算法，使用注意力权重作为特征重要性的代理，实现了神经网络的最新实证结果；通过在线性回归方面提出的理论分析，可与经典的 Orthogonal Matching Pursuit (OMP) 算法等效，并继承了所有的可证明的保证；理论和经验分析为注意力的有效性及其与过度参数化的联系提供了新的解释。

    Sep, 2022

  • 无限潜变量特征选择：基于概率潜图的排名方法

    本文提出了一种基于概率潜变量图的鲁棒性特征选择算法，它通过将特征子集视为图上的路径，在考虑所有特征子集的同时执行排名步骤，并将相关性建模为 PLSA 启发式生成过程中的潜在变量。实验表明，该方法在许多不同的场景和难度下都可获得最高性能水平，并在特征选择领域设定了一个新的最佳状态。

    Jul, 2017