基于有监督矩阵补全的主动特征获取
机器学习
2018-06-06 v2 机器学习
摘要
特征缺失在许多应用中是一个严重问题，可能导致训练数据质量下降并进一步显著削弱学习性能。由于特征获取通常涉及特殊设备或复杂流程，为整个数据集获取所有特征值代价高昂。另一方面，特征之间可能相互关联，某些取值可由其他值恢复。因此，决定哪些特征对于恢复其他特征以及提升学习性能最具信息量十分重要。本文中，我们尝试通过联合执行主动特征查询与有监督矩阵补全，以最低获取成本训练有效的分类模型。在补全特征矩阵时，提出一种新的目标函数，同时最小化观测项上的重构误差和训练数据上的有监督损失。在查询特征值时，基于前几次迭代的方差主动选择最不确定的项。此外，针对特征具有不同获取成本的情况，提出了一种双目标优化方法用于成本感知的主动选择。所提方法的有效性通过理论分析与实验研究得到了充分验证。
引用
@article{arxiv.1802.05380,
title = {Active Feature Acquisition with Supervised Matrix Completion},
author = {Sheng-Jun Huang and Miao Xu and Ming-Kun Xie and Masashi Sugiyama and Gang Niu and Songcan Chen},
journal= {arXiv preprint arXiv:1802.05380},
year = {2018}
}
备注
9 pages, 8 figures