English(EN) The Lagrangian Structure of Cost-Penalized Active Feature Acquisition

揭示成本惩罚主动特征获取新理论

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

本文介绍了一种主动特征获取（AFA）的理论框架，这是一种在预算内顺序选择特征以最大化预测准确性的方法。该研究提出了一个证书来分解贪婪策略和最优策略之间的差距，该证书对于可处理的惩罚最优值是可计算的。分析表明，常见的EIG-Cost启发式方法优化了期望成本AFA的拉格朗日松弛，并为近乎次模的情况提供了理论保证。 AI

影响为机器学习中的特征选择提供了理论基础，有可能提高预测任务中数据获取的效率。

排序理由该条目是一篇学术论文，详细介绍了机器学习技术的新理论框架。[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 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇学术论文，详细介绍了机器学习技术的新理论框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Joseph Bingham · 2026-10-16 04:00

成本惩罚主动特征获取的拉格朗日结构

arXiv:2610.21919v1 Announce Type: new Abstract: Active Feature Acquisition (AFA) sequentially selects features to maximize predictive accuracy under an acquisition budget. A natural heuristic greedily maximizes Expected Information Gain minus a cost penalty, EIG(j|x_S)-lam*c_j (E…

本文如何被排名

报道来源 [1]

成本惩罚主动特征获取的拉格朗日结构

相关实体

相关话题