ASAC：基于Actor-Critic模型的主动感知
机器学习
2019-06-18 v1 机器学习
摘要
当进行观测代价高昂时，决定观测什么以及何时观测至关重要。在可以顺序进行观测的医疗环境中，进行这些观测（或不进行）应是一个主动选择。我们称之为主动感知问题。在本文中，我们提出一种新的深度学习框架，称之为ASAC（基于Actor-Critic模型的主动感知）来解决该问题。ASAC由两个网络组成：选择器网络和预测器网络。选择器网络利用先前选定的观测值来决定未来应观测什么。预测器网络利用选择器网络选定的观测值来预测标签，向选择器网络提供反馈（良好选择的变量应对标签具有预测性）。选择器网络的目标是选择能够平衡观测所选变量的代价与其预测能力的变量；我们希望保持条件标签分布。在训练期间，我们使用actor-critic模型来允许选择器网络的损失通过采样过程“反向传播”。选择器网络通过选择未来要进行的观测来“行动”。预测器网络通过将被选变量的预测误差反馈给选择器网络来充当“评论者”。在我们的实验中，我们表明ASAC在两个真实世界医疗数据集中显著优于最先进方法。
引用
@article{arxiv.1906.06796,
title = {ASAC: Active Sensing using Actor-Critic models},
author = {Jinsung Yoon and James Jordon and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1906.06796},
year = {2019}
}
备注
Accepted in 2019 Machine Learning for Healthcare Conference