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

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

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。

Jun, 2023

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。

Feb, 2023

本文提出了一种新的自动化特征工程框架，基于性能驱动的改变图探索，通过强化学习之前的案例导出高效的探索策略以自动化特征工程，从而减少预测模型的成本。

Sep, 2017

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

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

本文提出了一种称为 EFTs 的简单的任务特定特征映射转换策略，具有强大的灵活性，利用最小的参数增加了基本体系结构，使其在大规模场景下实用；我们还提出了一种特征距离最大化策略来完成类增量设置中的任务预测。通过在较广泛的一系列任务序列中的实验，包括区分性任务和生成任务，证明了该方法的实效性和效率。

Mar, 2021

本文研究的问题是在给定的训练数据集中寻找预测模型。我们提出了一种迭代过程，用于得到一系列不断改进的模型和对原始输入空间的一系列非线性特征。在有限的 N 次迭代后，非线性特征变成原始空间上 2^N - 次多项式。我们展示了在无限次迭代的极限情况下，导出的非线性特征必须形成一个联想代数：两个特征的乘积等于来自同一特征空间的特征的线性组合。由于每次迭代都包含解决一系列包含所有先前解的凸问题，因此随着每次迭代，模型的似然性逐渐提高，而模型参数空间的维数设置为一个有限的可控制值。

Dec, 2013