学习衡量：基于情境的主动特征获取
机器学习
2025-10-15 v1 人工智能
摘要
主动特征获取（Active Feature Acquisition, AFA）是一种序列决策问题，旨在通过自适应选择特征获取来提高测试实例的模型性能。在实践中，AFA方法通常从具有系统性缺失特征和有限任务特定标签的历史数据中学习。大多数现有工作针对单一确定性任务进行特征获取，限制了可扩展性。为解决这一限制，我们形式化了元 AFA 问题，即在各种任务之间学习获取策略。我们引入学习衡量（Learning-to-Measure, L2M），其包括：i) 对未见任务的可靠不确定性量化，ii) 基于条件互信息最大化的不确定性引导的贪心特征获取智能体。我们演示了一种序列建模或自回归预训练方法，支撑具有任意缺失情况的任务可靠的不确定性量化。L2M 直接处理具有历史缺失的数据，并在原位执行元 AFA 任务，无需按任务重新训练。在合成和真实基准数据集上，L2M 与或超过任务特定基线方法，特别是在标签稀缺和缺失率高时表现更佳。
引用
@article{arxiv.2510.12624,
title = {Learning-To-Measure: In-context Active Feature Acquisition},
author = {Yuta Kobayashi and Zilin Jing and Jiayu Yao and Hongseok Namkoong and Shalmali Joshi},
journal= {arXiv preprint arXiv:2510.12624},
year = {2025}
}