PulseAugur
中
实时 09:16:49
English(EN) BRiG-AFA: Bellman Risk-to-Go Learning for Non-Myopic Active Feature Acquisition

新的 Bellman Risk-to-Go 学习方法增强了特征获取

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为 BRiG-AFA 的新方法，用于主动特征获取，旨在确定在给定预算内，为特定测试实例接下来测量哪些最有价值的未观测特征。这种监督方法使用 Bellman 目标，从一步终端分类风险向后拟合 risk-to-go 函数。该方法在 Fashion-MNIST 等基准测试上，与一步消融相比，准确率有所提高，在各种获取预算下均显示出显著的收益。 AI

影响 该方法可以通过智能选择下一步要测量的特征，从而提高机器学习任务中数据获取的效率。

排序理由 该集群包含一篇研究论文，详细介绍了一种新的主动特征获取方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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 Bellman Risk-to-Go 学习方法增强了特征获取

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiaorong Feng, Qian Li, Ying Li ·

    BRiG-AFA: Bellman Risk-to-Go Learning for Non-Myopic Active Feature Acquisition

    arXiv:2608.02305v1 Announce Type: new Abstract: Active feature acquisition (AFA) asks which unobserved feature to measure next for each test instance under a budget. Greedy rules are easy to train but can overlook context features whose value is realized only through later acquis…

相关实体

相关话题