論文の概要: Active Feature Acquisition with Generative Surrogate Models
- arxiv url: http://arxiv.org/abs/2010.02433v2
- Date: Thu, 11 Feb 2021 15:49:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 05:37:01.181900
- Title: Active Feature Acquisition with Generative Surrogate Models
- Title(参考訳): 生成的サロゲートモデルによるアクティブな特徴獲得
- Authors: Yang Li, Junier B. Oliva
- Abstract要約: 本研究では,アクティブ機能獲得(AFA)を行うモデルについて検討し,未観測機能に対する環境問合せを行う。
我々の研究は、AFA問題を生成的モデリングタスクとして根底にあるマルコフ決定プロセス(MDP)を再構築する。
本稿では,入力特徴間の依存関係を捕捉し,取得から得られる潜在的な情報を評価する生成代理モデル(GSM)の学習を提案する。
- 参考スコア(独自算出の注目度): 11.655069211977464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many real-world situations allow for the acquisition of additional relevant
information when making an assessment with limited or uncertain data. However,
traditional ML approaches either require all features to be acquired beforehand
or regard part of them as missing data that cannot be acquired. In this work,
we consider models that perform active feature acquisition (AFA) and query the
environment for unobserved features to improve the prediction assessments at
evaluation time. Our work reformulates the Markov decision process (MDP) that
underlies the AFA problem as a generative modeling task and optimizes a policy
via a novel model-based approach. We propose learning a generative surrogate
model (GSM) that captures the dependencies among input features to assess
potential information gain from acquisitions. The GSM is leveraged to provide
intermediate rewards and auxiliary information to aid the agent navigate a
complicated high-dimensional action space and sparse rewards. Furthermore, we
extend AFA in a task we coin active instance recognition (AIR) for the
unsupervised case where the target variables are the unobserved features
themselves and the goal is to collect information for a particular instance in
a cost-efficient way. Empirical results demonstrate that our approach achieves
considerably better performance than previous state of the art methods on both
supervised and unsupervised tasks.
- Abstract(参考訳): 多くの実世界の状況では、限定的または不確実なデータで評価を行う際に追加の関連情報を取得することができる。
しかし、従来のMLアプローチでは、事前に取得するすべての機能を必要とするか、あるいは取得できないデータの欠如と見なすかのどちらかである。
本研究では,能動的特徴獲得(AFA)を行うモデルについて検討し,未観測機能に対する環境問合せを行い,評価時の予測評価を改善する。
我々の研究は、AFA問題を生成的モデリングタスクとして根底にあるマルコフ決定プロセス(MDP)を再構築し、新しいモデルベースアプローチによるポリシーを最適化する。
本稿では,入力特徴間の依存関係を捉え,獲得から得られる潜在的な情報を評価するジェネレーティブサロゲートモデル(gsm)の学習を提案する。
GSMは中間報酬と補助情報を提供し、エージェントが複雑な高次元のアクション空間とスパース報酬をナビゲートするのを助ける。
さらに、対象変数が観測されていない機能自身であり、その目的がコスト効率のよい方法で特定のインスタンスの情報を集めることにある、教師なしのケースに対して、アクティブなインスタンス認識(AIR)を作成するタスクでAFAを拡張する。
実験の結果,提案手法は教師なしタスクと教師なしタスクの両方において,従来の技術手法よりもかなり優れた性能が得られることがわかった。
関連論文リスト
- Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - Evaluation of Active Feature Acquisition Methods for Time-varying
Feature Settings [6.645033437894859]
機械学習の手法は、入力機能が無償で利用できると仮定することが多い。
機能の取得が高価または有害な可能性がある医療のような領域では、機能の取得と予測コストのバランスをとる必要がある。
能動的特徴獲得性能評価(AFAPE)の問題点について述べる。
論文 参考訳(メタデータ) (2023-12-03T23:08:29Z) - Acquisition Conditioned Oracle for Nongreedy Active Feature Acquisition [16.350351668269415]
能動的特徴獲得手法(AFA)の開発
私たちは、新しい非パラメトリックオラクルベースのアプローチで、多くの課題を回避できることを示します。
論文 参考訳(メタデータ) (2023-02-27T17:02:11Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Differential Assessment of Black-Box AI Agents [29.98710357871698]
従来知られていたモデルから逸脱したブラックボックスAIエージェントを差分評価する手法を提案する。
我々は,漂流エージェントの現在の挙動と初期モデルの知識の疎度な観察を利用して,アクティブなクエリポリシーを生成する。
経験的評価は、エージェントモデルをスクラッチから再学習するよりも、我々のアプローチの方がはるかに効率的であることを示している。
論文 参考訳(メタデータ) (2022-03-24T17:48:58Z) - Active Surrogate Estimators: An Active Learning Approach to
Label-Efficient Model Evaluation [59.7305309038676]
モデル評価のためのアクティブサロゲート推定器(ASE)を提案する。
ASEは現在の最先端技術よりもラベル効率が高いことが分かりました。
論文 参考訳(メタデータ) (2022-02-14T17:15:18Z) - Online reinforcement learning with sparse rewards through an active
inference capsule [62.997667081978825]
本稿では,将来期待される新しい自由エネルギーを最小化するアクティブ推論エージェントを提案する。
我々のモデルは、非常に高いサンプル効率でスパース・リワード問題を解くことができる。
また、複雑な目的の表現を単純化する報奨関数から事前モデルを近似する新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-04T10:03:36Z) - Dynamic Feature Acquisition with Arbitrary Conditional Flows [11.655069211977464]
予測評価をさらに改善するために,新機能を動的に獲得するモデルを提案する。
我々は、情報理論の指標、条件付き相互情報を利用して、取得する最も情報性の高い特徴を選択する。
本モデルは,複数の設定で評価されたベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-06-13T19:01:12Z) - Universal Source-Free Domain Adaptation [57.37520645827318]
ドメイン適応のための新しい2段階学習プロセスを提案する。
Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。
Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
論文 参考訳(メタデータ) (2020-04-09T07:26:20Z) - Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。
本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
論文 参考訳(メタデータ) (2020-04-09T07:16:30Z)
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。