論文の概要: Active Feature Acquisition for Cost-Efficient Temporal Prediction with Reduced Participant Burden

• arxiv url: http://arxiv.org/abs/2610.07452v1
• Date: Mon, 05 Oct 2026 21:57:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.688492
• Title: Active Feature Acquisition for Cost-Efficient Temporal Prediction with Reduced Participant Burden
• Title（参考訳）: 参加者バーデンの削減によるコスト効率の良い時間予測のためのアクティブな特徴獲得
• Abstract要約: 一度により多くの変数を取得することで予測がより良くなるが、多くの取得が多すぎると、非レスポンスや誘惑のリスクが増大する。 LAFA(Longitudinal Active Feature Acquisition)は、この問題を解決するための原則的なアプローチである。 本研究では,NN ベースの LAFA ネットワークから解釈可能なポリシーを学習するための木蒸留手法を提案する。
• 参考スコア（独自算出の注目度）: 4.974835775742345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of pathological outcomes is a central problem in psychology. To do so, psychologists often collect intensive longitudinal data. However, in such studies, the desire to acquire a large number of variables for the sake of accurate prediction is often counteracted by the need to minimize participant burden. Acquiring more variables per occasion can yield better predictions, but having too many acquisitions increase the risk of non-response and attrition. Longitudinal Active Feature Acquisition (LAFA) is a principled approach to resolve this conundrum. Instead of requiring responses to every item at every acquisition occasion, LAFA produces a policy that seeks to optimally select dynamic subsets of items to be acquired at each timepoint while preserving our ability to forecast a specific outcome. However, existing LAFA methods are mostly based on Neural Networks (NN) that are difficult to interpret in practice. In this work, we introduce a tree distillation method for learning an interpretable policy from NN-based LAFA networks. We validated our method through both a simulation and an empirical EMA dataset on forecasting daily alcohol consumption. In both cases, we find that we can meaningfully reduce the number of items acquired at each occasion with minimal loss in accuracy. Networks (NN) that are difficult to interpret in practice. In this work, we introduce a tree distillation method for learning an interpretable policy from NN-based LAFA networks. We validated our method through both a simulation and an empirical EMA dataset on forecasting daily alcohol consumption. In both cases, we find that we can meaningfully reduce the number of items acquired at each occasion with minimal loss in accuracy.
• Abstract（参考訳）: 病理学的結果の正確な予測は心理学の中心的な問題である。 そのため、心理学者は集中的な縦断データを収集することが多い。 しかし、そのような研究では、正確な予測のために多数の変数を取得したいという願望は、制限負担を最小限に抑える必要があるため、しばしば反作用する。 一度により多くの変数を取得することで予測がより良くなるが、多くの取得が多すぎると、非レスポンスや誘惑のリスクが増大する。 LAFA(Longitudinal Active Feature Acquisition)は、この問題を解決するための原則的なアプローチである。 LAFAは、取得時に各項目に対する応答を要求する代わりに、特定の結果を予測する能力を保ちながら、各時点に取得するアイテムの動的サブセットを最適に選択するポリシーを作成します。 しかし、既存のLAFA法は主にニューラルネットワーク(NN)に基づいており、実際は解釈が難しい。 本研究では,NN ベースの LAFA ネットワークから解釈可能なポリシーを学習するための木蒸留手法を提案する。 本手法は,毎日のアルコール摂取量の予測において,シミュレーションと経験的EMAデータセットの両方を用いて検証した。 いずれの場合も、精度の低下を最小限に抑えることで、各タイミングで取得したアイテムの数を有意に削減できることがわかった。 実際に解釈するのが難しいネットワーク(NN)。 本研究では,NN ベースの LAFA ネットワークから解釈可能なポリシーを学習するための木蒸留手法を提案する。 本手法は,毎日のアルコール摂取量の予測において,シミュレーションと経験的EMAデータセットの両方を用いて検証した。 いずれの場合も、精度の低下を最小限に抑えることで、各タイミングで取得したアイテムの数を有意に削減できることがわかった。

関連論文リスト

• Preference Fine-Tuning of LLMs Should Leverage Suboptimal, On-Policy Data [102.16105233826917]
  好みラベルからの学習は、微調整された大きな言語モデルにおいて重要な役割を果たす。 好みの微調整には、教師付き学習、オンライン強化学習(RL)、コントラスト学習など、いくつかの異なるアプローチがある。
  論文  参考訳（メタデータ） (2024-04-22T17:20:18Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Lazy Estimation of Variable Importance for Large Neural Networks [22.95405462638975]
  そこで本研究では,重要な推論保証付き縮小モデルを高速かつフレキシブルに近似する手法を提案する。 いくつかのデータ生成体制下では,本手法が高速かつ正確であることを示し,季節風予報の例で実世界の適用性を示す。
  論文  参考訳（メタデータ） (2022-07-19T06:28:17Z)
• Analytic Learning of Convolutional Neural Network For Pattern Recognition [20.916630175697065]
  バックプロパゲーション(BP)を用いた学習畳み込みニューラルネットワーク(CNN)は、時間とリソースを消費する。 解析的畳み込みニューラルネットワーク学習(ACnnL)を提案する。 ACnnLは、その類似した閉形式解を構築するが、正規化の制約が異なる。
  論文  参考訳（メタデータ） (2022-02-14T06:32:21Z)
• Rapid Risk Minimization with Bayesian Models Through Deep Learning Approximation [9.93116974480156]
  本稿では,ベイズモデル (BM) とニューラルネットワーク (NN) を組み合わせて,予測を最小限のリスクで行う手法を提案する。 私たちのアプローチは、BMのデータ効率と解釈可能性とNNの速度を組み合わせます。 テストデータセットに無視できる損失がある標準手法よりも、リスク最小限の予測をはるかに高速に達成する。
  論文  参考訳（メタデータ） (2021-03-29T15:08:25Z)

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。