論文の概要: Agentic Feature Augmentation: Unifying Selection and Generation with Teaming, Planning, and Memories

• arxiv url: http://arxiv.org/abs/2505.15076v1
• Date: Wed, 21 May 2025 03:49:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.854914
• Title: Agentic Feature Augmentation: Unifying Selection and Generation with Teaming, Planning, and Memories
• Title（参考訳）: エージェント機能強化:チーム、計画、記憶による選択と生成の統合
• Authors: Nanxu Gong, Sixun Dong, Haoyue Bai, Xinyuan Wang, Wangyang Ying, Yanjie Fu,
• Abstract要約: 本稿では,特徴生成と選択の統一をエージェントチームと計画としてモデル化したエージェント機能拡張概念を提案する。 具体的には、冗長な特徴を除去するセレクタエージェントと、情報的新しい次元を生成するジェネレータエージェントと、その動作を戦略的に調整するルータエージェントからなる、長短期記憶付きマルチエージェントシステム(MAGS)を開発する。
• 参考スコア（独自算出の注目度）: 18.77751646793861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a widely-used and practical tool, feature engineering transforms raw data into discriminative features to advance AI model performance. However, existing methods usually apply feature selection and generation separately, failing to strive a balance between reducing redundancy and adding meaningful dimensions. To fill this gap, we propose an agentic feature augmentation concept, where the unification of feature generation and selection is modeled as agentic teaming and planning. Specifically, we develop a Multi-Agent System with Long and Short-Term Memory (MAGS), comprising a selector agent to eliminate redundant features, a generator agent to produce informative new dimensions, and a router agent that strategically coordinates their actions. We leverage in-context learning with short-term memory for immediate feedback refinement and long-term memory for globally optimal guidance. Additionally, we employ offline Proximal Policy Optimization (PPO) reinforcement fine-tuning to train the router agent for effective decision-making to navigate a vast discrete feature space. Extensive experiments demonstrate that this unified agentic framework consistently achieves superior task performance by intelligently orchestrating feature selection and generation.
• Abstract（参考訳）: 機能エンジニアリングは、広く使われ、実用的なツールとして、生データを識別機能に変換し、AIモデルのパフォーマンスを向上する。 しかし、既存の手法は通常、特徴の選択と生成を別々に適用し、冗長性の低減と意味のある次元の追加のバランスを保とうとしない。 このギャップを埋めるために,特徴生成と選択の統一をエージェントチームと計画としてモデル化するエージェント機能拡張概念を提案する。 具体的には、冗長な特徴を除去するセレクタエージェントと、情報的新しい次元を生成するジェネレータエージェントと、その動作を戦略的に調整するルータエージェントからなる、長短期記憶付きマルチエージェントシステム(MAGS)を開発する。 我々は,短期記憶を用いたインコンテキスト学習を即時フィードバック改善と長期記憶に活用し,世界的最適指導を行う。 さらに、オフラインのPPO(Proximal Policy Optimization)強化微調整を用いて、ルータエージェントをトレーニングし、決定を効果的に行い、大きな離散的な特徴空間をナビゲートする。 大規模な実験により、この統合エージェントフレームワークは、知的に特徴の選択と生成を編成することで、優れたタスク性能を一貫して達成することを示した。

関連論文リスト

• Automation and Feature Selection Enhancement with Reinforcement Learning (RL) [0.0]
  決定木と統合された強化学習は、特徴知識、状態表現、選択効率を向上させる。 モンテカルロをベースとした単エージェント特徴選択法である強化特徴選択(MCRFS)は計算負担を軽減する。 機能とインスタンスをまとめて選択し、それら間のインタラクションをキャプチャする、デュアルエージェントのRLフレームワークも導入された。
  論文  参考訳（メタデータ） (2025-03-15T04:30:55Z)
• SmartAgent: Chain-of-User-Thought for Embodied Personalized Agent in Cyber World [50.937342998351426]
  COUT(Chain-of-User-Thought)は、新しい推論パラダイムである。 我々は、サイバー環境を認識し、パーソナライズされた要求を推論するエージェントフレームワークであるSmartAgentを紹介する。 我々の研究は、まずCOUTプロセスを定式化し、パーソナライズされたエージェント学習を具体化するための予備的な試みとして役立ちます。
  論文  参考訳（メタデータ） (2024-12-10T12:40:35Z)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [117.94654815220404]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)
• 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)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• 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)
• Simplifying Reinforced Feature Selection via Restructured Choice Strategy of Single Agent [32.483981722074574]
  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。
  論文  参考訳（メタデータ） (2020-09-19T13:41:39Z)

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。