特征选择作为一个多智能体协调问题
机器学习
2016-03-17 v1 机器学习
摘要
具有数百至数万特征的数据集已成为新常态。特征选择是机器学习中的一个核心问题，其目标是导出一组具有代表性的特征，用以针对特定任务构建分类（或预测）模型。我们的实验研究涉及微阵列基因表达数据集，这些是高维含噪数据集，包含通常用于区分良性或恶性组织或对不同类型癌症进行分类的遗传数据。在本文中，我们将特征形式化为一个多智能体协调问题，并提出了一种使用多智能体强化学习的新型特征选择方法。所提方法的核心思想是为每个特征“分配”一个强化学习智能体，每个智能体学习控制单个特征，我们将此方法称为MARL。将此应用于微阵列数据集会在数千个学习智能体之间产生巨大的多智能体协调问题。为应对可扩展性挑战，我们采用了一种称为CLEAN奖励的奖励塑形形式。我们总共比较了九种特征选择方法（包括最先进的方法），表明使用CLEAN奖励的所提方法能够显著扩展规模，从而优于其余基于学习的方法。我们进一步表明，MARL的一种混合变体取得了最佳的整体性能。
引用
@article{arxiv.1603.05152,
title = {Feature Selection as a Multiagent Coordination Problem},
author = {Kleanthis Malialis and Jun Wang and Gary Brooks and George Frangou},
journal= {arXiv preprint arXiv:1603.05152},
year = {2016}
}
备注
AAMAS-16 Workshop on Adaptive and Learning Agents (ALA-16)