論文の概要: Information Templates: A New Paradigm for Intelligent Active Feature Acquisition

• arxiv url: http://arxiv.org/abs/2508.18380v1
• Date: Mon, 25 Aug 2025 18:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.544364
• Title: Information Templates: A New Paradigm for Intelligent Active Feature Acquisition
• Title（参考訳）: 情報テンプレート:Intelligent Active Feature Acquisitionの新しいパラダイム
• Authors: Hung-Tien Huang, Dzung Dinh, Junier B. Oliva,
• Abstract要約: アクティブ機能取得(英: Active Feature acquisition、AFA)は、テスト時にどの機能を取得するかを順次選択する計算適応型インスタンスパラダイムである。 我々は、機能テンプレートの小さなライブラリを学習し、このライブラリを使用して次の機能取得をガイドする非階層フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.607145155913716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active feature acquisition (AFA) is an instance-adaptive paradigm in which, at test time, a policy sequentially chooses which features to acquire (at a cost) before predicting. Existing approaches either train reinforcement learning (RL) policies, which deal with a difficult MDP, or greedy policies that cannot account for the joint informativeness of features or require knowledge about the underlying data distribution. To overcome this, we propose Template-based AFA (TAFA), a non-greedy framework that learns a small library of feature templates--a set of features that are jointly informative--and uses this library of templates to guide the next feature acquisitions. Through identifying feature templates, the proposed framework not only significantly reduces the action space considered by the policy but also alleviates the need to estimate the underlying data distribution. Extensive experiments on synthetic and real-world datasets show that TAFA outperforms the existing state-of-the-art baselines while achieving lower overall acquisition cost and computation.
• Abstract（参考訳）: アクティブ機能獲得(英: Active Feature acquisition、AFA)は、テスト時にどの機能を(コストで)取得するかを順次選択するインスタンス適応パラダイムである。 既存のアプローチでは、難しいMDPを扱う強化学習(RL)ポリシーや、特徴の合理性や基礎となるデータ配布に関する知識を説明できない欲求政策がある。 これを解決するために,テンプレートベースのAFA(TAFA)を提案する。このフレームワークは,機能テンプレートの小さなライブラリを学習するフレームワークである。 特徴テンプレートを識別することで、提案フレームワークはポリシーによって考慮されるアクション空間を著しく削減するだけでなく、基礎となるデータ分布を見積もる必要も軽減する。 合成および実世界のデータセットに関する大規模な実験は、TAFAが既存の最先端のベースラインより優れており、全体的な取得コストと計算コストの低減を実現していることを示している。

関連論文リスト

• AFABench: A Generic Framework for Benchmarking Active Feature Acquisition [6.922744987645169]
  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。
  論文  参考訳（メタデータ） (2025-08-20T14:29:16Z)
• Adapting Vision-Language Models Without Labels: A Comprehensive Survey [74.17944178027015]
  VLM(Vision-Language Models)は、幅広いタスクにまたがる顕著な一般化機能を示す。 近年,ラベル付きデータに依存しない教師なし適応手法に注目が集まっている。 本稿では,未ラベルの視覚データの可用性と性質に基づく分類法を提案し,既存のアプローチを4つの重要なパラダイムに分類する。
  論文  参考訳（メタデータ） (2025-08-07T16:27:37Z)
• SPaRFT: Self-Paced Reinforcement Fine-Tuning for Large Language Models [51.74498855100541]
  大規模言語モデル(LLM)は、強化学習(RL)による微調整時に強い推論能力を示す。 トレーニング対象のモデルの性能に基づいて,効率的な学習を可能にする自己評価学習フレームワークである textbfSPaRFT を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:50:48Z)
• Distribution Guided Active Feature Acquisition [14.279123976398926]
  本研究では,環境と対話して新たな情報を得るための能動的特徴獲得フレームワークを開発する。 データに存在する情報と条件依存を理解するバックボーン上に、AFAフレームワークを構築します。 生成モデルから得られた副作用および補助報酬を用いて,AFAに対するRLエージェントのトレーニングを指導することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-04T20:38:30Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• 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)
• Learning to Maximize Mutual Information for Dynamic Feature Selection [13.821253491768168]
  本稿では,現在利用可能な情報に基づいてモデルを逐次クエリする動的特徴選択(DFS)問題を考察する。 条件付き相互情報に基づいて,特徴を欲求的に選択する,よりシンプルなアプローチについて検討する。 提案手法は,最適性を訓練した際の欲求を回復し,既存の特徴選択法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-02T08:31:56Z)
• Improving Meta-learning for Low-resource Text Classification and Generation via Memory Imitation [87.98063273826702]
  本稿では,メモリ模倣メタラーニング(MemIML)手法を提案する。 本手法の有効性を証明するために理論的解析を行った。
  論文  参考訳（メタデータ） (2022-03-22T12:41:55Z)
• Active Feature Acquisition with Generative Surrogate Models [11.655069211977464]
  本研究では,アクティブ機能獲得(AFA)を行うモデルについて検討し,未観測機能に対する環境問合せを行う。 我々の研究は、AFA問題を生成的モデリングタスクとして根底にあるマルコフ決定プロセス(MDP)を再構築する。 本稿では,入力特徴間の依存関係を捕捉し,取得から得られる潜在的な情報を評価する生成代理モデル(GSM)の学習を提案する。
  論文  参考訳（メタデータ） (2020-10-06T02:10:06Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)

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。