論文の概要: AFABench: A Generic Framework for Benchmarking Active Feature Acquisition

• arxiv url: http://arxiv.org/abs/2508.14734v1
• Date: Wed, 20 Aug 2025 14:29:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.478943
• Title: AFABench: A Generic Framework for Benchmarking Active Feature Acquisition
• Title（参考訳）: AFABench: アクティブな機能獲得のベンチマークのためのジェネリックフレームワーク
• Authors: Valter Schütz, Han Wu, Reza Rezvan, Linus Aronsson, Morteza Haghir Chehreghani,
• Abstract要約: AFABenchはActive Feature Acquisitionの最初のベンチマークフレームワークです。 静的,欲求,強化学習に基づくアプローチを含む,すべての主要カテゴリの代表的アルゴリズムを実装し,評価する。 我々の結果は、異なるAFA戦略間の重要なトレードオフを浮き彫りにし、将来の研究に実用的な洞察を提供する。
• 参考スコア（独自算出の注目度）: 6.922744987645169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many real-world scenarios, acquiring all features of a data instance can be expensive or impractical due to monetary cost, latency, or privacy concerns. Active Feature Acquisition (AFA) addresses this challenge by dynamically selecting a subset of informative features for each data instance, trading predictive performance against acquisition cost. While numerous methods have been proposed for AFA, ranging from greedy information-theoretic strategies to non-myopic reinforcement learning approaches, fair and systematic evaluation of these methods has been hindered by the lack of standardized benchmarks. In this paper, we introduce AFABench, the first benchmark framework for AFA. Our benchmark includes a diverse set of synthetic and real-world datasets, supports a wide range of acquisition policies, and provides a modular design that enables easy integration of new methods and tasks. We implement and evaluate representative algorithms from all major categories, including static, greedy, and reinforcement learning-based approaches. To test the lookahead capabilities of AFA policies, we introduce a novel synthetic dataset, AFAContext, designed to expose the limitations of greedy selection. Our results highlight key trade-offs between different AFA strategies and provide actionable insights for future research. The benchmark code is available at: https://github.com/Linusaronsson/AFA-Benchmark.
• Abstract（参考訳）: 多くの実世界のシナリオでは、金銭的コスト、レイテンシ、プライバシの懸念により、データインスタンスのすべての機能を取得するのはコストがかかるか実用的でない可能性がある。 Active Feature Acquisition (AFA)は、各データインスタンスに対する情報的機能のサブセットを動的に選択し、取得コストに対して予測性能をトレードすることで、この問題に対処する。 情報理論戦略から非筋力強化学習アプローチまで,AFAには数多くの手法が提案されているが,これらの手法の公正かつ体系的な評価は,標準化されたベンチマークの欠如によって妨げられている。 本稿では,AFAのベンチマークフレームワークであるAFABenchを紹介する。 私たちのベンチマークには、さまざまな合成および実世界のデータセットが含まれており、幅広い取得ポリシーをサポートし、新しいメソッドやタスクを簡単に統合できるモジュールデザインを提供しています。 静的,欲求,強化学習に基づくアプローチを含む,すべての主要カテゴリの代表的アルゴリズムを実装し,評価する。 AFAポリシーのルックアヘッド機能をテストするために、グリーディ選択の限界を明らかにするために設計された新しい合成データセットAFAContextを導入する。 我々の結果は、異なるAFA戦略間の重要なトレードオフを浮き彫りにし、将来の研究に実用的な洞察を提供する。 ベンチマークコードは、https://github.com/Linusaronsson/AFA-Benchmarkで公開されている。

関連論文リスト

• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• Prompt Smart, Pay Less: Cost-Aware APO for Real-World Applications [1.3312007032203859]
  APEとOPROの相補的な強みを組み合わせた新しいハイブリッドフレームワークであるAPE-OPROを紹介する。 APE-OPROを, 2500個のラベル付き製品のデータセット上で, 勾配フリー(APE, OPRO)と勾配ベース(ProTeGi)の2つの手法でベンチマークした。 ProTeGiはAPIコストが低くても高い絶対性能を提供するが、Inciteprotegiが言うように計算時間も高い。
  論文  参考訳（メタデータ） (2025-07-18T21:46:15Z)
• Alice Benchmarks: Connecting Real World Re-Identification with the Synthetic [92.02220105679713]
  我々は、Aliceベンチマーク、大規模データセット、ベンチマークおよび評価プロトコルを研究コミュニティに導入する。 Aliceベンチマークでは、人と車の2つのre-IDタスクが提供されている。 実際のターゲットの重要な特徴として、トレーニングセットのクラスタビリティは、実際のドメイン適応テストシナリオに近づくように手動で保証されない。
  論文  参考訳（メタデータ） (2023-10-06T17:58:26Z)
• Domain-Expanded ASTE: Rethinking Generalization in Aspect Sentiment Triplet Extraction [67.54420015049732]
  Aspect Sentiment Triplet extract (ASTE) は感情分析における課題であり、人間の感情に対するきめ細かい洞察を提供することを目的としている。 既存のベンチマークは2つのドメインに限定されており、目に見えないドメイン上でのモデルパフォーマンスを評価しない。 各種ドメインのサンプルに注釈を付けることでドメイン拡張ベンチマークを導入し,ドメイン内設定とドメイン外設定の両方でモデルの評価を可能にする。
  論文  参考訳（メタデータ） (2023-05-23T18:01:49Z)
• 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)
• Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
  アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。 提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。 本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。 本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
  論文  参考訳（メタデータ） (2022-10-11T20:20:20Z)
• Single-Modal Entropy based Active Learning for Visual Question Answering [75.1682163844354]
  視覚質問応答(VQA)のマルチモーダル設定におけるアクティブラーニングに対処する マルチモーダルな入力,画像,質問を考慮し,有効サンプル取得のための新しい手法を提案する。 私たちの新しいアイデアは、実装が簡単で、コスト効率が高く、他のマルチモーダルタスクにも容易に適応できます。
  論文  参考訳（メタデータ） (2021-10-21T05:38:45Z)
• Towards Robust Active Feature Acquisition [14.785570635390744]
  アクティブ機能獲得(AFA)モデルは、少数の候補機能に対処し、大きな機能領域へのスケーリングが困難である。 我々は,現在のAFAアプローチを進めるためのいくつかの手法を提案する。 本フレームワークは階層的な取得ポリシを用いて,多数の機能を容易に扱えるとともに,OOD検出器の助けを借りてOOD入力に対してより堅牢である。
  論文  参考訳（メタデータ） (2021-07-09T01:06:13Z)

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。