Sep, 2023

通过感知交互意识的自动转换提升特征认知能力

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过多样性感知交互式强化学习实现的自动特征选择

    研究如何在自动化特征选择中平衡有效性和效率。通过提出一个新的交互式增强特征选择框架，将特征选择问题形式化为交互式强化学习框架，该框架通过自我探索经验及多元化外部技术指导训练器，从而加速学习。此外，该研究利用多种不同搜索策略进行训练，并提出了一种混合教学策略来帮助智能体学习更广泛的知识。最后，对真实世界数据集进行广泛实验以展示该方法的性能改进。

    Aug, 2020

  • 利用知识图谱进行可解释特征生成

    KRAFT 是一个 AutoFE 框架，利用知识图谱来指导生成可解释特征，通过神经生成器和基于知识的推理器结合的混合 AI 方法来提高预测准确性和生成特征的可解释性。实验证明，KRAFT 在提高准确性的同时保证了较高的可解释性。

    Jun, 2024

  • 可追溯的小组级自优化特征转换学习：双重优化视角

    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

  • 使用强化学习进行预测建模的特征工程

    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

  • 基于神经符号嵌入的自回归生成短且高效特征选取

    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

  • AutoField: 深度推荐系统中的特征选择自动化

    本文提出了一种自适应选择重要特征字段的 AutoML 框架，该框架设计了一个可微的控制器网络，通过自动调整选择特定特征字段的概率来重新训练深度推荐模型，实验证明了该框架的有效性。

    Apr, 2022

  • 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