論文の概要: Enhancing Tabular Data Optimization with a Flexible Graph-based Reinforced Exploration Strategy
- arxiv url: http://arxiv.org/abs/2406.07404v1
- Date: Tue, 11 Jun 2024 16:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 15:05:20.381305
- Title: Enhancing Tabular Data Optimization with a Flexible Graph-based Reinforced Exploration Strategy
- Title（参考訳）: フレキシブルグラフに基づく強化探索戦略による語彙データ最適化の強化
- Authors: Xiaohan Huang, Dongjie Wang, Zhiyuan Ning, Ziyue Qiao, Qingqing Long, Haowei Zhu, Min Wu, Yuanchun Zhou, Meng Xiao,
- Abstract要約: 自動機能変換の現在のフレームワークは、反復的なシーケンス生成タスクに依存している。
3つのカスケーディングエージェントが繰り返しノードを選択し、新しい変換状態を生成する数学的操作を考えます。
この戦略はグラフ構造の性質を活用し、価値ある変換の保存と再利用を可能にする。
- 参考スコア（独自算出の注目度）: 16.782884097690882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tabular data optimization methods aim to automatically find an optimal feature transformation process that generates high-value features and improves the performance of downstream machine learning tasks. Current frameworks for automated feature transformation rely on iterative sequence generation tasks, optimizing decision strategies through performance feedback from downstream tasks. However, these approaches fail to effectively utilize historical decision-making experiences and overlook potential relationships among generated features, thus limiting the depth of knowledge extraction. Moreover, the granularity of the decision-making process lacks dynamic backtracking capabilities for individual features, leading to insufficient adaptability when encountering inefficient pathways, adversely affecting overall robustness and exploration efficiency. To address the limitations observed in current automatic feature engineering frameworks, we introduce a novel method that utilizes a feature-state transformation graph to effectively preserve the entire feature transformation journey, where each node represents a specific transformation state. During exploration, three cascading agents iteratively select nodes and idea mathematical operations to generate new transformation states. This strategy leverages the inherent properties of the graph structure, allowing for the preservation and reuse of valuable transformations. It also enables backtracking capabilities through graph pruning techniques, which can rectify inefficient transformation paths. To validate the efficacy and flexibility of our approach, we conducted comprehensive experiments and detailed case studies, demonstrating superior performance in diverse scenarios.
- Abstract（参考訳）: タブラルデータ最適化手法は、高価値な特徴を生成する最適な特徴変換プロセスを自動的に見つけ、下流機械学習タスクの性能を向上させることを目的としている。
自動機能変換の現在のフレームワークは、下流タスクのパフォーマンスフィードバックを通じて意思決定戦略を最適化する反復的なシーケンス生成タスクに依存している。
しかし、これらの手法は、歴史的意思決定経験を効果的に活用できず、生成した特徴間の潜在的な関係を見落とし、知識抽出の深さを制限する。
さらに、意思決定プロセスの粒度は個々の特徴の動的追跡能力に欠けており、非効率な経路に遭遇する際の適応性が不十分であり、全体的な堅牢性と探索効率に悪影響を及ぼす。
現在の自動機能エンジニアリングフレームワークで見られる制限に対処するため,各ノードが特定の変換状態を表す機能変換を効果的に保存するために,特徴状態変換グラフを利用した新しい手法を提案する。
探索中、3つのカスケードエージェントが繰り返しノードを選択し、新しい変換状態を生成する数学的操作を思いついた。
この戦略はグラフ構造の性質を活用し、価値ある変換の保存と再利用を可能にする。
また、非効率な変換パスを修正できるグラフプルーニング技術によるバックトラック機能も実現している。
提案手法の有効性と柔軟性を検証するため,多種多様なシナリオにおいて優れた性能を示す総合的な実験と詳細な事例研究を行った。
関連論文リスト
- Q-value Regularized Transformer for Offline Reinforcement Learning [70.13643741130899]
オフライン強化学習(RL)における最先端化のためのQ値正規化変換器(QT)を提案する。
QTはアクション値関数を学習し、条件付きシーケンスモデリング(CSM)のトレーニング損失にアクション値を最大化する用語を統合する
D4RLベンチマークデータセットの実証評価は、従来のDP法やCSM法よりもQTの方が優れていることを示す。
論文 参考訳（メタデータ） (2024-05-27T12:12:39Z) - Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳（メタデータ） (2024-05-07T17:44:54Z) - Feature Interaction Aware Automated Data Representation Transformation [27.26916497306978]
我々は,マルコフ決定過程をカスケードした階層的強化学習構造を開発し,特徴選択と操作選択を自動化する。
我々は、選択された特徴間の相互作用強度に基づいてエージェントに報酬を与える。その結果、人間の意思決定をエミュレートする特徴空間をインテリジェントかつ効率的に探索する。
論文 参考訳（メタデータ） (2023-09-29T06:48:16Z) - Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。
まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。
第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文 参考訳（メタデータ） (2023-09-15T09:18:54Z) - Traceable Group-Wise Self-Optimizing Feature Transformation Learning: A
Dual Optimization Perspective [33.45878576396101]
特徴変換は、既存の特徴を数学的に洗練することにより、効果的な表現空間を再構築することを目的としている。
既存の研究は主にドメイン知識に基づく特徴工学や学習潜在表現に重点を置いている。
最初の作業は、新しい自己最適化フレームワークを導入することで、この課題への先駆的な一歩を踏み出したのです。
論文 参考訳（メタデータ） (2023-06-29T12:29:21Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Group-wise Reinforcement Feature Generation for Optimal and Explainable
Representation Space Reconstruction [25.604176830832586]
我々は表現空間の再構成をネストした特徴生成と選択の対話的なプロセスに再構成する。
我々は、機能群、操作群、および他の機能群を横断して新機能を生成するグループワイズ生成戦略を設計する。
システムの有効性, 効率, トレーサビリティ, 明示性を実証するための広範な実験を行った。
論文 参考訳（メタデータ） (2022-05-28T21:34:14Z) - Resource-Efficient Invariant Networks: Exponential Gains by Unrolled
Optimization [8.37077056358265]
本稿では,最適化に基づく不変ネットワーク構築のための新しい計算プリミティブを提案する。
提案手法の効率向上と音質の実証的,理論的検討を行った。
単純な階層的オブジェクト検出タスクに対して,効率的な不変ネットワークを構築する上で,その有用性を実証する。
論文 参考訳（メタデータ） (2022-03-09T19:04:08Z) - Phase Transition Adaptation [14.034816857287044]
そこで本研究では,位相遷移適応と呼ばれる局所教師なし学習機構であるオリジナルアプローチの拡張を提案する。
提案手法が複数のデータセットに対して一貫して目的を達成できることを実験的に示す。
論文 参考訳（メタデータ） (2021-04-20T17:18:34Z) - Efficient Continual Adaptation for Generative Adversarial Networks [97.20244383723853]
GAN(Generative Adversarial Network)に対する連続学習手法を提案する。
我々のアプローチは、グローバルパラメータとタスク固有のパラメータのセットを学習することに基づいている。
機能マップ変換に基づくアプローチは,最先端のgans手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-06T05:09:37Z)
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。