論文の概要: Dual-Agent Reinforcement Learning for Automated Feature Generation

• arxiv url: http://arxiv.org/abs/2505.12628v1
• Date: Mon, 19 May 2025 02:24:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.356501
• Title: Dual-Agent Reinforcement Learning for Automated Feature Generation
• Title（参考訳）: 自動特徴生成のためのデュアルエージェント強化学習
• Authors: Wanfu Gao, Zengyao Man, Hanlin Pan, Kunpeng Liu,
• Abstract要約: 機能生成には、オリジナルの機能間の複雑な関係をキャプチャするために、生のデータから新機能を作成することが含まれる。 特徴生成のための強化学習を用いた現在の手法は、特徴探索をより柔軟かつ効率的にしている。 特徴生成のための新しい二エージェント強化学習法を提案する。
• 参考スコア（独自算出の注目度）: 3.635311806373203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature generation involves creating new features from raw data to capture complex relationships among the original features, improving model robustness and machine learning performance. Current methods using reinforcement learning for feature generation have made feature exploration more flexible and efficient. However, several challenges remain: first, during feature expansion, a large number of redundant features are generated. When removing them, current methods only retain the best features each round, neglecting those that perform poorly initially but could improve later. Second, the state representation used by current methods fails to fully capture complex feature relationships. Third, there are significant differences between discrete and continuous features in tabular data, requiring different operations for each type. To address these challenges, we propose a novel dual-agent reinforcement learning method for feature generation. Two agents are designed: the first generates new features, and the second determines whether they should be preserved. A self-attention mechanism enhances state representation, and diverse operations distinguish interactions between discrete and continuous features. The experimental results on multiple datasets demonstrate that the proposed method is effective. The code is available at https://github.com/extess0/DARL.
• Abstract（参考訳）: 機能生成には、生データから新機能を作成し、元の機能間の複雑な関係をキャプチャし、モデルの堅牢性と機械学習のパフォーマンスを改善することが含まれる。 特徴生成のための強化学習を用いた現在の手法は、特徴探索をより柔軟かつ効率的にしている。 しかし、いくつかの課題が残っている: 第一に、機能拡張の間、多数の冗長な機能が生成される。 取り除く場合、現在の方法は各ラウンドで最高の機能しか保持せず、最初は性能が悪く、後で改善できるものを無視します。 第二に、現在のメソッドで使われている状態表現は、複雑な機能関係を完全にキャプチャすることができない。 第三に、各タイプごとに異なる操作を必要とする、表データの離散的特徴と連続的な特徴の間には、大きな違いがある。 これらの課題に対処するために,特徴生成のための新しい二エージェント強化学習法を提案する。 2つのエージェントが設計されている: 1つは新機能を生成し、もう1つは保存すべきかどうかを決定する。 自己認識機構は状態表現を強化し、多様な操作は離散的特徴と連続的特徴の間の相互作用を区別する。 複数のデータセットに対する実験結果から,提案手法が有効であることを示す。 コードはhttps://github.com/extess0/DARLで公開されている。

関連論文リスト

• ShuffleGate: An Efficient and Self-Polarizing Feature Selection Method for Large-Scale Deep Models in Industry [12.690406065558394]
  ShuffleGateはインスタンス間ですべての機能を同時にシャッフルする。 モデルを再トレーニングすることなく、適切に分離された重要なスコアを生成し、パフォーマンスを見積もることができます。 様々なシナリオで、Bilibiliの検索モデルの日々のイテレーションにうまく統合されています。
  論文  参考訳（メタデータ） (2025-03-12T12:05:03Z)
• Task-Agnostic Guided Feature Expansion for Class-Incremental Learning [59.78858949137853]
  CIL(Class-Incremental Learning)における学習システムには,学習知識を維持しながら新しい概念を学習する能力が望ましい 近年,新しいタスクのトレーニング中に旧機能を修正し,新しいタスクに新たな機能を拡張したCILでは,モデルの機能拡張が主流となっている。 本稿では,タスク間の多様な特徴の学習と伝達を促進するために,タスク非依存型特徴拡張(TagFex)というフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-02T09:56:50Z)
• Retain, Blend, and Exchange: A Quality-aware Spatial-Stereo Fusion Approach for Event Stream Recognition [57.74076383449153]
  本稿では,差分融合によるイベントストリームに基づくパターン認識のための新しいデュアルストリームフレームワークEFV++を提案する。 イベントイメージとイベントボクセルという2つの共通のイベント表現を同時にモデル化する。 Bullying10kデータセットで新しい最先端のパフォーマンス、すなわち90.51%$を達成し、2位を+2.21%$で上回る。
  論文  参考訳（メタデータ） (2024-06-27T02:32:46Z)
• Self-optimizing Feature Generation via Categorical Hashing Representation and Hierarchical Reinforcement Crossing [37.73656271138515]
  本稿では,自己最適化機能生成を解決するための,原則的かつ汎用的な表現交差フレームワークを提案する。 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。
  論文  参考訳（メタデータ） (2023-09-08T22:05:27Z)
• Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
  補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2023-08-21T12:59:48Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Generative Feature Replay with Orthogonal Weight Modification for Continual Learning [20.8966035274874]
  生成的再生は、破滅的な忘れを和らげるために、以前のタスクの擬似データを生成し再生する有望な戦略である。 生成モデルを用いて垂直層の特徴を再現することを提案する; 2) 自己監督型補助タスクを活用して特徴の安定性をさらに向上する。 いくつかのデータセットにおける実験結果から,我々の手法は常に強力なOWMよりも大幅に改善されていることが分かる。
  論文  参考訳（メタデータ） (2020-05-07T13:56:22Z)

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。