論文の概要: When Does Synergy Help Active Feature Acquisition? A PID-Based Study

• arxiv url: http://arxiv.org/abs/2609.32301v1
• Date: Sat, 26 Sep 2026 06:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 17:59:44.098454
• Title: When Does Synergy Help Active Feature Acquisition? A PID-Based Study
• Title（参考訳）: シナジーはいつ機能獲得に役立つのか? : PIDに基づく研究
• Abstract要約: 我々は、ペアワイズジョイント情報と条件情報を組み合わせた状態依存型AFAポリシーであるSynAFAを紹介する。 また,SynAFAはPhyloNetの低予算で最強の伸びを示した。 また,非グレーディローカル検索では,予算依存の浸食が解決されないことを示す。
• 参考スコア（独自算出の注目度）: 3.472260358182089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active feature acquisition (AFA) sequentially selects informative features under budget constraints. However, existing policies rarely distinguish whether information contributed by interacting features is redundant, unique, or synergistic. We introduce SynAFA, a state-dependent AFA policy that combines pairwise joint information and conditional information, with Partial Information Decomposition (PID) characterizing its information structure. Across five tabular datasets and MNIST-loop, performance is heterogeneous. SynAFA shows its strongest gains at low budgets on PhysioNet, where synergistic and redundant feature pairs are supported by permutation tests, but its advantage diminishes as budgets increase and does not depend on pair proposals. SynAFA performs significantly worse than nearly all baselines on MiniBooNE, and than CAE on MNIST-loop. Controlled synthetic experiments further show that, within budget, SynAFA's advantage rises as joint information becomes more synergy-dominated, including when total joint information is held approximately constant. Further analyses show that the budget-dependent erosion is not resolved by non-greedy local search, which improves a diagnostic set-level objective but leaves predictive performance no better, often significantly worse, and that improvements in this objective are weakly aligned with the fixed classifier's predictive utility. These findings characterize when pairwise synergy can benefit AFA while exposing a persistent challenge in translating local information into effective acquisition objectives.
• Abstract（参考訳）: アクティブ機能取得(AFA)は、予算制約の下で情報的特徴を順次選択する。 しかし、既存のポリシーは、相互作用する特徴によって提供された情報が冗長であるか、ユニークであるか、シナジスティックであるかを区別することは滅多にない。 本稿では,PID(Partial Information Decomposition)とペアのジョイント情報と条件情報を組み合わせた状態依存型AFAポリシであるSynAFAを紹介する。 5つの表付きデータセットとMNISTループにまたがって、パフォーマンスは不均一である。 SynAFAは、置換テストによって相乗的および冗長な機能ペアをサポートするPhyloNetの低予算において、最強の利益を示しているが、予算が増加し、ペアの提案に依存しないため、その優位性は低下する。 SynAFAはMiniBooNE上のほぼすべてのベースラインよりも、MNISTループ上のCAEよりも大幅にパフォーマンスが悪くなっている。 制御された合成実験により、SynAFAの利点は、予算内では、全関節情報がほぼ一定に保持されている場合を含む、結合情報がよりシナジーに支配されるようになるにつれて増大することが示された。 さらに分析したところ、予算依存の浸食は非グレーディローカルサーチによって解決されず、診断セットレベル目標を改善するが、予測性能は改善せず、しばしば著しく悪化し、この目的の改善は固定分類器の予測ユーティリティと弱く一致していることが示された。 これらの知見は, 局所情報を効果的な獲得目標に翻訳する上で, 永続的な課題を露呈しつつ, ペアワイズ・シナジーがAFAに利益をもたらすことを特徴付けるものである。

関連論文リスト

• Beyond Saying Less: Fine-Grained Alignment for Informative and Faithful Vision-Language Models [71.46915245859357]
  物体幻覚は、大きな視覚言語モデルにとって依然として大きな課題である。 本稿では,データレベルでの高密度報酬信号と,アルゴリズムレベルでの正確な信用割当を結合する微粒化アライメントフレームワークを提案する。 本手法は, 識別評価において, 顕著な性能向上を図りながら, 生成タスクにおける高情報かつ忠実な記述を生成する。
  論文  参考訳（メタデータ） (2026-09-28T14:37:33Z)
• IterSynth: Rethinking Deep Search Agents via Role-Decoupled Iterative Synthesis [52.23822202304358]
  Iter Synthは、情報ニーズを特定するためのPlannerと、エビデンスを進化的な要約状態に統合するSynthesizerを交互に扱う、ロール分離および要約ベースのパラダイムである。 Iter Synth-8Bの平均スコアは50.7で、最強の$leq$8Bのエージェントを+4.2%上回る。
  論文  参考訳（メタデータ） (2026-09-24T12:02:53Z)
• Constrained Hebbian Learning Supports Efficient Representational Allocation under Structural Constraints [1.0787328610467803]
  我々は, 解剖学的および代謝的制約の下で, 排他的競争的ヘビアン則がシナプス的資源割り当てをサポートするか否かを検証した。 ヘビアン学習は、主圧縮比較において、スパースBPやDDTPよりも低いタスク情報コストを実現する。 その結果、均一な精度向上よりもコストパフォーマンスのトレードオフが示唆された。
  論文  参考訳（メタデータ） (2026-07-17T14:59:33Z)
• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• Active Learning Using Aggregated Acquisition Functions: Accuracy and Sustainability Analysis [14.398823059302279]
  Active Learning(AL)は、トレーニング中のアノテーションの最も情報性の高いサンプルを戦略的に選択する機械学習アプローチである。 この戦略はラベリングコストを削減するだけでなく、ニューラルネットワークトレーニング時の省エネにも寄与する。 我々は、その精度と計算コストを分析して、最先端の取得機能を実装し、評価する。
  論文  参考訳（メタデータ） (2026-02-07T08:42:12Z)
• Explainability of Complex AI Models with Correlation Impact Ratio [10.61008729196936]
  複雑なAIシステムはより良い予測を行うが、透明性が欠如し、信頼性、解釈可能性、安全なデプロイメントが制限されることが多い。 ExCIR(Explainability through correlation Impact Ratio)は,モデル出力に対する入力特徴の寄与を説明するための理論的基礎とシンプルで信頼性の高い指標である。 我々は,ExCIRが軽量なシングルパスの定式化により,相関した特徴から生じる依存関係をキャプチャすることを示した。
  論文  参考訳（メタデータ） (2026-01-10T21:56:24Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Repurposing Synthetic Data for Fine-grained Search Agent Supervision [81.95597592711688]
  LLMベースの検索エージェントは、エンティティ中心の合成データに基づいてますます訓練されている。 一般的なトレーニングメソッドは、このリッチなエンティティ情報を破棄し、代わりにスパースで結果に基づく報酬に依存します。 E-GRPO(Entity-Aware Group Relative Policy Optimization)は、高密度なエンティティ認識報酬関数を定式化する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-28T17:50:40Z)
• Pareto Set Identification With Posterior Sampling [14.121842087273167]
  本稿では,PSIを有意な相関性を有する線形変換系で検討する。 既存のオラクルベースのアルゴリズムの計算コストを負担することなく,構造と相関を同時に扱うPSIPSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-07T18:15:38Z)
• A Correlation- and Mean-Aware Loss Function and Benchmarking Framework to Improve GAN-based Tabular Data Synthesis [2.2451409468083114]
  本稿では,GAN(Generative Adversarial Network)のための新しい相関と平均認識損失関数を提案する。 提案した損失関数は、真のデータ分布をキャプチャする既存の手法よりも統計的に有意な改善を示す。 ベンチマークフレームワークは、強化された合成データ品質により、下流の機械学習タスクのパフォーマンスが向上することを示している。
  論文  参考訳（メタデータ） (2024-05-27T09:08:08Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)

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。