PulseAugur
中
实时 16:09:48

新的 L2M 框架学会跨多个 AI 任务获取特征

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的主动特征获取（AFA）框架 Learning-to-Measure（L2M），该框架可以跨多个任务进行学习。L2M 通过自适应地选择特征来应对提高模型性能的挑战，尤其是在数据缺失和标签有限的情况下。该系统利用不确定性量化和一个最大化条件互信息的获取代理，在上下文中执行元 AFA，无需针对每个任务进行重新训练。实验表明，L2M 在合成和真实世界的表格数据集上，其性能与特定任务的方法相当或更优。 AI

影响 为 AI 模型引入了一种更具可扩展性的特征获取方法，尤其是在数据稀缺的环境中。

排序理由 这是一篇描述主动特征获取新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yuta Kobayashi, Zilin Jing, Jiayu Yao, Hongseok Namkoong, Shalmali Joshi ·

    Learning-To-Measure: In-Context Active Feature Acquisition

    arXiv:2510.12624v2 Announce Type: replace-cross Abstract: Active feature acquisition (AFA) is a sequential decision-making problem where the goal is to improve model performance for test instances by adaptively selecting which features to acquire. In practice, AFA methods often l…

相关话题