論文の概要: Simplifying Reinforced Feature Selection via Restructured Choice
Strategy of Single Agent
- arxiv url: http://arxiv.org/abs/2009.09230v1
- Date: Sat, 19 Sep 2020 13:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 21:02:28.781684
- Title: Simplifying Reinforced Feature Selection via Restructured Choice
Strategy of Single Agent
- Title（参考訳）: 単一エージェントの再構成選択戦略による強化特徴選択の簡略化
- Authors: Xiaosa Zhao, Kunpeng Liu, Wei Fan, Lu Jiang, Xiaowei Zhao, Minghao
Yin, and Yanjie Fu
- Abstract要約: 再構成選択戦略と統合した単一エージェント強化特徴選択手法を開発した。
複数のエージェントを使わずに、複数の機能の選択タスクを処理するために、1つのエージェントしか利用しません。
状態表現を改善するために,特徴の符号化インデックス情報と統合された畳み込み自動エンコーダアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 32.483981722074574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature selection aims to select a subset of features to optimize the
performances of downstream predictive tasks. Recently, multi-agent reinforced
feature selection (MARFS) has been introduced to automate feature selection, by
creating agents for each feature to select or deselect corresponding features.
Although MARFS enjoys the automation of the selection process, MARFS suffers
from not just the data complexity in terms of contents and dimensionality, but
also the exponentially-increasing computational costs with regard to the number
of agents. The raised concern leads to a new research question: Can we simplify
the selection process of agents under reinforcement learning context so as to
improve the efficiency and costs of feature selection? To address the question,
we develop a single-agent reinforced feature selection approach integrated with
restructured choice strategy. Specifically, the restructured choice strategy
includes: 1) we exploit only one single agent to handle the selection task of
multiple features, instead of using multiple agents. 2) we develop a scanning
method to empower the single agent to make multiple selection/deselection
decisions in each round of scanning. 3) we exploit the relevance to predictive
labels of features to prioritize the scanning orders of the agent for multiple
features. 4) we propose a convolutional auto-encoder algorithm, integrated with
the encoded index information of features, to improve state representation. 5)
we design a reward scheme that take into account both prediction accuracy and
feature redundancy to facilitate the exploration process. Finally, we present
extensive experimental results to demonstrate the efficiency and effectiveness
of the proposed method.
- Abstract（参考訳）: 機能選択は、下流予測タスクのパフォーマンスを最適化するために機能のサブセットを選択することを目的としている。
近年,マルチエージェント強化機能選択(MARFS)を導入して,機能選択の自動化を実現している。
MARFSは選択プロセスの自動化を楽しむが、MARFSは内容と次元の点でデータ複雑さに悩まされるだけでなく、エージェント数に関して指数関数的に計算コストが増加する。
強化学習環境下でのエージェントの選択プロセスを簡素化して、特徴選択の効率性とコストを改善することができるか?
そこで我々は,再構成された選択戦略と統合した単一エージェント強化機能選択手法を開発した。
特に、再構成された選択戦略には以下のものがある。
1) 複数のエージェントを使わずに,複数の機能の選択タスクを処理するために,単一のエージェントのみを利用する。
2) 1 つのエージェントがスキャンごとに複数の選択/選択決定を行えるようにするための走査法を開発した。
3)複数の特徴に対するエージェントのスキャニング順序を優先するために,予測的特徴ラベルとの関連性を利用する。
4) 状態表現を改善するために,特徴の符号化インデックス情報と統合された畳み込み自動エンコーダアルゴリズムを提案する。
5) 探索プロセスを容易にするために,予測精度と特徴冗長性の両方を考慮した報奨スキームを設計する。
最後に,提案手法の有効性と有効性を示すための実験結果について述べる。
関連論文リスト
- Neuro-Symbolic Embedding for Short and Effective Feature Selection via Autoregressive Generation [22.87577374767465]
ニューロシンボリックレンズを用いて特徴選択を再構成し、短時間かつ効果的な特徴サブセットを特定することを目的とした新しい生成フレームワークを導入する。
本稿ではまず,特徴IDトークン,モデル性能,特徴サブセットの冗長度測定などからなる多数の特徴選択サンプルを自動的に収集するデータ収集手法を提案する。
収集したデータに基づいて,効率的な探索のために,特徴選択の知性を連続的な埋め込み空間に保存するエンコーダ・デコーダ・評価学習パラダイムを開発した。
論文 参考訳（メタデータ） (2024-04-26T05:01:08Z) - Knockoff-Guided Feature Selection via A Single Pre-trained Reinforced
Agent [44.84307718534031]
ノックオフ機能によってガイドされる特徴選択のための革新的なフレームワークを導入し、強化学習により最適化する。
探索プロセスの有効性を向上させるために,原特徴とそれに対応する擬似ラベルを事前訓練した深部Qネットワークが用いられている。
新しいepsilon-greedy戦略を使用して、擬似ラベルからの洞察を取り入れて、特徴選択プロセスをより効果的にする。
論文 参考訳（メタデータ） (2024-03-06T19:58:19Z) - Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。
提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文 参考訳（メタデータ） (2024-03-06T16:31:56Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z) - Beyond Discrete Selection: Continuous Embedding Space Optimization for
Generative Feature Selection [34.32619834917906]
我々は、特徴選択問題を深い微分可能な最適化タスクとして再構成する。
本稿では,離散的特徴部分集合を連続的な埋め込み空間として概念化する,新しい原理的な研究視点を提案する。
具体的には、強化特徴選択学習を利用して、多種多様な高品質なトレーニングデータを生成する。
論文 参考訳（メタデータ） (2023-02-26T03:18:45Z) - Multi-agent Deep Covering Skill Discovery [50.812414209206054]
本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。
また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。
提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
論文 参考訳（メタデータ） (2022-10-07T00:40:59Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Adversarial Option-Aware Hierarchical Imitation Learning [89.92994158193237]
提案するOption-GAILは,遠隔地平線でスキルを学ぶための新しい手法である。
Option-GAILの鍵となる考え方は、タスク階層をオプションでモデル化し、生成的敵最適化を通じてポリシーを訓練することである。
実験によると、Option-GAILはさまざまなタスクにおいて、他のタスクよりも一貫してパフォーマンスが向上している。
論文 参考訳（メタデータ） (2021-06-10T06:42:05Z) - Joint Adaptive Graph and Structured Sparsity Regularization for
Unsupervised Feature Selection [6.41804410246642]
本稿では,共同適応グラフと構造付き空間正規化unsupervised feature selection (JASFS)法を提案する。
最適な機能のサブセットがグループで選択され、選択された機能の数が自動的に決定される。
8つのベンチマーク実験の結果,提案手法の有効性と有効性を示した。
論文 参考訳（メタデータ） (2020-10-09T08:17:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。