論文の概要: Active Feature Acquisition With Incomplete Training Data

• arxiv url: http://arxiv.org/abs/2609.32325v1
• Date: Sat, 26 Sep 2026 07:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 17:46:45.212439
• Title: Active Feature Acquisition With Incomplete Training Data
• Title（参考訳）: 不完全なトレーニングデータによる能動的特徴獲得
• Abstract要約: 完全無作為データ(MCAR)が欠如している場合、一段階の取得値は変化しないが、多段階の取得値は減少する可能性がある。 不完全なデータから学習する3つのアプローチ:エイリアス、フィルタリング、生成的復元について分析する。 我々は、制御された実験と一般的なAFAデータセットに対して、我々の理論を実証的に検証し、欠落が主にマルチステップ取得を利用する方法にダメージを与えることを発見した。
• 参考スコア（独自算出の注目度）: 9.288365508013118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many prediction tasks, acquiring all features can be a prohibitively expensive or outright impossible task. Further, in many cases a static subset of features may not be enough to solve the problem sufficiently across various instances. Active Feature Acquisition (AFA) addresses these problems by formalizing the trade-off between feature cost and predictive performance during sequential feature selection. However, prior AFA work largely assumes access to complete training data, an assumption that is often violated in practice. Here we study AFA with Incomplete Training Data (AFA-ITD), showing that under missing completely at random (MCAR) data, one-step acquisition values remain unchanged, whereas multi-step values can decrease. We analyze three approaches to learning from incomplete data: aliasing, filtering, and generative restoration. We show that filtering can require a number of training instances scaling exponentially with the dimension, whereas generative restoration scales exponentially with the acquisition budget. We empirically test our theory on a controlled experiment and across common AFA datasets and find that missingness mainly damages methods that exploit multi-step acquisitions and that generative restoration is able to recover lost performance in many experiments. Code is available at https://github.com/Linusaronsson/AFA-Benchmark/tree/missing-data.
• Abstract（参考訳）: 多くの予測タスクでは、すべての機能を取得することは、違法に高価または完全に不可能なタスクである。 さらに、多くの場合、機能の静的なサブセットは、様々なインスタンスで十分な問題を解決できないかもしれない。 Active Feature Acquisition (AFA) は、シーケンシャルな機能選択において、機能コストと予測性能の間のトレードオフを形式化し、これらの問題に対処する。 しかしながら、以前のAFAの作業では、多くの場合、完全にトレーニングデータへのアクセスを前提としています。 ここでは,不完全トレーニングデータ(AFA-ITD)を用いてAFAについて検討し,完全無作為データ(MCAR)が欠落している場合,一段階の取得値は変化しないが,多段階の取得値は減少することを示した。 不完全なデータから学習する3つのアプローチ:エイリアス、フィルタリング、生成的復元について分析する。 フィルタリングは次元に応じて指数関数的にスケールする多数のトレーニングインスタンスを必要とするが、生成的復元は獲得予算とともに指数関数的にスケールすることを示した。 我々は、制御された実験と一般的なAFAデータセットを用いて、我々の理論を実証的に検証し、欠落が主に多段階取得を利用した手法を損なうこと、そして生成的復元が多くの実験で失われた性能を回復できることを見出した。 コードはhttps://github.com/Linusaronsson/AFA-Benchmark/tree/missing-dataで公開されている。

関連論文リスト

• FaLW: A Forgetting-aware Loss Reweighting for Long-tailed Unlearning [24.734154431191538]
  FaLWはプラグアンドプレイの動的損失再重み付け方式である。 各サンプルの未学習状態を、その予測確率と同一クラスからの未学習データの分布を比較して評価する。 実験により、FaLWは優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-26T16:21:01Z)
• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。 しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
  大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。 本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
  論文  参考訳（メタデータ） (2023-11-29T05:33:28Z)
• Make Every Example Count: On the Stability and Utility of Self-Influence for Learning from Noisy NLP Datasets [4.142507103595571]
  データクリーニングのためのトレーニング例のタスク非依存自己影響スコアの適合性について検討した。 自然発生の異常者を捕獲する効果を解析する。
  論文  参考訳（メタデータ） (2023-02-27T17:00:06Z)
• Leveraging variational autoencoders for multiple data imputation [0.5156484100374059]
  本稿では,複数の計算手法を用いて,データ欠落を考慮に入れた深部モデル,すなわち変分オートエンコーダ(VAE)について検討する。 VAEは、過小評価と過信な計算によって、欠落したデータの経験的カバレッジを低くすることがわかった。 これを克服するために、一般化されたベイズフレームワークから見た$beta$-VAEsを用いて、モデルの誤特定に対して堅牢性を提供する。
  論文  参考訳（メタデータ） (2022-09-30T08:58:43Z)
• AdAUC: End-to-end Adversarial AUC Optimization Against Long-tail Problems [102.95119281306893]
  我々は、AUCを最適化するための敵の訓練方法を探求するための早期トライアルを提示する。 我々は、AUC最適化問題をサドル点問題として再構成し、目的がインスタンスワイズ関数となる。 我々の分析は, min-max問題の勾配を計算して, 逆例を生成するアルゴリズムが求められているため, 既存の研究と異なる。
  論文  参考訳（メタデータ） (2022-06-24T09:13:39Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Batch Value-function Approximation with Only Realizability [17.692408242465763]
  バッチ強化学習(RL):探索データセットからQstar$を学習する。 我々のアルゴリズムであるBVFTは、トーナメントの手順を通じて硬さ予想(探索データというより強い概念の下では)を破る。 また、BVFTが他の拡張と開問題の間のモデル選択にどのように適用できるかについても論じる。
  論文  参考訳（メタデータ） (2020-08-11T20:09:37Z)

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。