論文の概要: Collaborative Multi-Agent Reinforcement Learning for Automated Feature Transformation with Graph-Driven Path Optimization

• arxiv url: http://arxiv.org/abs/2504.17355v1
• Date: Thu, 24 Apr 2025 08:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.293437
• Title: Collaborative Multi-Agent Reinforcement Learning for Automated Feature Transformation with Graph-Driven Path Optimization
• Title（参考訳）: グラフ駆動経路最適化を用いた自動特徴変換のための協調的マルチエージェント強化学習
• Authors: Xiaohan Huang, Dongjie Wang, Zhiyuan Ning, Ziyue Qiao, Qingqing Long, Haowei Zhu, Yi Du, Min Wu, Yuanchun Zhou, Meng Xiao,
• Abstract要約: グラフ駆動経路最適化により特徴工学を自動化する多エージェント強化学習フレームワークであるTCTOを提案する。 フレームワークの中核的なイノベーションは、ノードとしての特徴をモデル化し、エッジとして変換する、進化する相互作用グラフにある。 包括的実験とケーススタディを行い、さまざまなデータセットで優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 17.588657338437812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature transformation methods aim to find an optimal mathematical feature-feature crossing process that generates high-value features and improves the performance of downstream machine learning tasks. Existing frameworks, though designed to mitigate manual costs, often treat feature transformations as isolated operations, ignoring dynamic dependencies between transformation steps. To address the limitations, we propose TCTO, a collaborative multi-agent reinforcement learning framework that automates feature engineering through graph-driven path optimization. The framework's core innovation lies in an evolving interaction graph that models features as nodes and transformations as edges. Through graph pruning and backtracking, it dynamically eliminates low-impact edges, reduces redundant operations, and enhances exploration stability. This graph also provides full traceability to empower TCTO to reuse high-utility subgraphs from historical transformations. To demonstrate the efficacy and adaptability of our approach, we conduct comprehensive experiments and case studies, which show superior performance across a range of datasets.
• Abstract（参考訳）: 特徴変換手法は、高価値な特徴を生成し、下流機械学習タスクの性能を向上させるための最適数学的特徴量交差過程を求める。 既存のフレームワークは手作業のコストを軽減するように設計されているが、多くの場合、機能変換を独立した操作として扱い、変換ステップ間の動的依存関係を無視している。 この制限に対処するため,グラフ駆動経路最適化による機能工学を自動化する多エージェント強化学習フレームワークであるTCTOを提案する。 フレームワークの中核的なイノベーションは、ノードとしての特徴をモデル化し、エッジとして変換する、進化する相互作用グラフにある。 グラフプルーニングとバックトラックにより、低インパクトエッジを動的に排除し、冗長な操作を減らし、探索安定性を高める。 このグラフはまた、歴史的変換から高ユーティリティなサブグラフを再利用するために、TCTOに完全なトレーサビリティを提供する。 提案手法の有効性と適応性を示すため,包括的実験とケーススタディを行い,様々なデータセットにおいて優れた性能を示す。

関連論文リスト

• Leveraging Auto-Distillation and Generative Self-Supervised Learning in Residual Graph Transformers for Enhanced Recommender Systems [2.34863357088666]
  本稿では、生成自己教師付き学習(SSL)とResidual Graph Transformerを統合することにより、レコメンデータシステムを強化するための最先端手法を提案する。 当社のアプローチでは,ユーザとアイテムのインタラクションの明確な方法を抽出するために,有意なプレテキストタスクを使用して,合理的なSSLを通じて自動化する上で,優れたデータ強化の重要性を強調している。
  論文  参考訳（メタデータ） (2025-04-08T08:15:04Z)
• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• Efficient Transformer for High Resolution Image Motion Deblurring [0.0]
  本稿では,高分解能イメージモーションデブロアに対するRestormerアーキテクチャの総合的研究と改良について述べる。 モデル複雑性を18.4%削減し、最適化された注意機構によって性能を維持または改善するアーキテクチャ変更を導入する。 以上の結果から, 思考的アーキテクチャの単純化と学習戦略の強化が組み合わさって, より効率的かつ等しく機能的な作業モデルが得られることが示唆された。
  論文  参考訳（メタデータ） (2025-01-30T14:58:33Z)
• CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
  本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。 まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。 分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
  論文  参考訳（メタデータ） (2024-11-25T07:56:13Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Enhancing Tabular Data Optimization with a Flexible Graph-based Reinforced Exploration Strategy [16.782884097690882]
  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。
  論文  参考訳（メタデータ） (2024-06-11T16:10:37Z)
• Unsupervised Generative Feature Transformation via Graph Contrastive Pre-training and Multi-objective Fine-tuning [28.673952870674146]
  教師なし特徴変換学習のための測定-事前訓練-ファネチューンパラダイムを開発した。 教師なし特徴集合の実用性測定のために,特徴値の整合性維持の観点から提案する。 生成的変換ファインタニングでは,特徴集合を特徴クロスシーケンス,特徴変換を逐次生成とみなす。
  論文  参考訳（メタデータ） (2024-05-27T06:50:00Z)
• 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)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• Continuous Transition: Improving Sample Efficiency for Continuous Control Problems via MixUp [119.69304125647785]
  本稿では,連続的遷移を構築するための簡潔かつ強力な手法を提案する。 具体的には、連続的な遷移を線形に補間することにより、トレーニングのための新しい遷移を合成することを提案する。 また, 建設過程を自動案内する判別器を開発した。
  論文  参考訳（メタデータ） (2020-11-30T01:20:23Z)

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。