KDDJun, 2023

可追溯的小组级自优化特征转换学习：双重优化视角

PDF
TL;DR这篇研究论文讨论了如何通过强化学习来自动化特征转换，以解决维度灾难、数据稀疏性和模型泛化等问题，并提出了一种集成图形表示和增强学习技术的自优化框架来改进其效果和通用性。
feature transformationdimensionality reductionreinforcement learningmachine learningoptimization
发现论文，激发创造
  • 自优化特征转换

    提出了一种自优化框架，用于固有特征空间的转换，以增强机器学习模型的泛化能力，通过使用强化学习来改善性能并比较不同的训练策略。

    Sep, 2022

  • 基于灵活的图形增强探索策略优化表格数据

    通过使用特征状态转换图，我们引入了一种新的方法来解决当前自动特征工程框架中存在的限制，并通过全面的实验证明了其在不同场景下具有优越的性能。

    Jun, 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

  • 面向最优和可解释表示空间重建的群体强化特征生成

    通过一种分组式强化生成视角，我们提出了一种用于自动化、显式性和灵活优化的特征生成和选择方法，基于级联的强化学习方法来学习特征生成和选择策略，从而重构表示空间，以提高模型泛化能力、克服数据稀疏性和增加经典模型性能。

    May, 2022

  • 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

  • 通过图对比预训练和多目标微调的无监督生成特征转换

    特征转换是从原始特征中导出一个新的特征集，以增强数据的人工智能能力。本研究通过连接图形、对比和生成学习，开发了一种测量 - 预训练 - 微调模式，从而解决无监督特征转换学习的问题，并提出了特征值一致性保持的观点来评估特征集的效用，以及使用深度生成特征转换模型优化转换特征生成器。

    May, 2024

  • 使用局部变换学习不变表示

    本文提出了一个新颖的具有转换不变性的特征学习框架，将线性转换纳入特征学习算法中，可应用于无监督学习方法，如自动编码器或稀疏编码，证明在 MNIST 变化，CIFAR-10 和 STL-10 等图像分类基准数据集上具有优越的分类性能并在 TIMIT 数据集上实现了最先进的电话分类任务的结果。

    Jun, 2012

  • 通过分类哈希表示和层次强化交叉实现自优化特征生成

    特征生成旨在创建有区分度的表示空间，用于生成新的有意义的特征。本论文提出了一种自优化的特征生成方法，通过特征离散化、特征哈希和描述性总结来实现特征的哈希表示，并提出了一种层次化强化特征交叉方法进行特征生成。

    Sep, 2023

  • 一次学习的任务自适应特征转换

    介绍了一个简单的非线性嵌入自适应层，对于一次性任务，在固定的预训练特征之上微调，从而显著改善了低样本情况下的传导熵推断。

    Apr, 2023

  • 转化再探索：一种简单有效的强化学习探索组合优化技术

    我们通过应用简单但有效的量规变换（GT）技术，探索了在测试中不断改进解决方案的强化学习（RL）模型，詮釋了在复杂的组合优化问题中构建更有效模型的方法。

    Apr, 2024