关键词active feature acquisition
搜索结果 - 3
- 静态特征设置的主动特征获取方法评估
在这篇研究论文中,我们介绍了一种半离线强化学习框架,用于评估部署活动特征获取性能 (active feature acquisition performance evaluation, AFAPE)。首先,我们将 AFAPE 问题扩展到静态 - 测试阶段顺序特征选择的快速分类
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 - 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