PulseAugur
实时 03:07:43
English(EN) MMAO-Cls: Metabolic Multi-Agent Optimization for Joint Feature Selection and Classifier Tuning

新的MMAO-Cls方法通过紧凑的特征选择优化分类模型

研究人员开发了MMAO-Cls,这是一种新颖的方法,它将代谢多智能体优化器(MMAO)应用于分类模型选择。该方法联合编码特征掩码和分类器超参数,并纳入特征预算适应和正则化机制。虽然MMAO-Cls在表格基准测试中表现出竞争力,在总体目标排名第二,并在部分方法的留出测试性能上有所提高,但其在特征子集紧凑性方面的优势比其社区共享优势更明确。 AI

影响 引入了一种新的分类模型优化技术,有望提高表格数据分析的效率和性能。

排序理由 该集群包含一篇详细介绍新的机器学习优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.MA (Multiagent) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的MMAO-Cls方法通过紧凑的特征选择优化分类模型

报道来源 [1]

  1. arXiv cs.MA (Multiagent) TIER_1 English(EN) · Liping Ma ·

    MMAO-Cls:用于联合特征选择和分类器调优的代谢多智能体优化

    This paper studies whether the Metabolic Multi-Agent Optimizer (MMAO) can act as a credible outer-loop optimizer for classification model selection. We propose MMAO-Cls, a mixed-space realization in which each agent jointly encodes a binary feature mask and classifier hyperparame…