基于任意条件流的动态特征获取
机器学习
2021-03-15 v2 机器学习
摘要
许多现实世界的情况允许在利用有限或不确定的数据进行评估时获取额外的相关信息。然而，传统的机器学习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。在这项工作中，我们提出了能够动态获取新特征以进一步改进预测评估的模型。为了在改进效果与获取成本之间进行权衡，我们利用信息论度量——条件互信息，来选择要获取的最具信息量的特征。我们利用一个生成模型，即任意条件流（ACFlow），来学习估计该信息度量所需的任意条件分布。我们还学习了一个贝叶斯网络以加速获取过程。我们的模型在多种设置下的评估中，表现均优于基线模型。
引用
@article{arxiv.2006.07701,
title = {Dynamic Feature Acquisition with Arbitrary Conditional Flows},
author = {Yang Li and Junier B. Oliva},
journal= {arXiv preprint arXiv:2006.07701},
year = {2021}
}