基于生成代理模型的主动特征获取
机器学习
2021-02-12 v2 人工智能
摘要
许多现实情形允许在基于有限或不确定数据进行评估时获取额外的相关信息。然而，传统 ML 方法要么要求事先获取所有特征，要么将部分特征视为无法获取的缺失数据。本工作中，我们考虑执行主动特征获取（AFA）并在评估时向环境查询未观测特征以改进预测评估的模型。我们的工作将 AFA 问题底层的马尔可夫决策过程（MDP）重新表述为生成建模任务，并通过一种新颖的基于模型的方法优化策略。我们提出学习一个捕获输入特征间依赖关系以评估获取潜在信息增益的生成代理模型（GSM）。GSM 被用来提供中间奖励与辅助信息，以帮助智能体在复杂高维动作空间与稀疏奖励中导航。此外，我们将 AFA 扩展至我们称为主动实例识别（AIR）的任务中，用于无监督情形，其中目标变量即为未观测特征本身，目标是以经济高效的方式为特定实例收集信息。实证结果表明，我们的方法在监督与无监督任务上均比先前最优方法取得明显更优性能。
引用
@article{arxiv.2010.02433,
title = {Active Feature Acquisition with Generative Surrogate Models},
author = {Yang Li and Junier B. Oliva},
journal= {arXiv preprint arXiv:2010.02433},
year = {2021}
}