基于级联Actor-Critic智能体的可追踪自动特征变换
机器学习
2023-01-03 v2 人工智能
摘要
面向人工智能的特征变换是提升机器学习（ML）有效性与可解释性的关键任务。特征变换旨在转换原始数据以识别最优特征空间，从而增强下游ML模型性能。现有研究或结合预处理、特征选择与生成技术经验性变换数据，或借助机器智能（如强化学习）自动化特征变换。然而，现有研究存在以下不足：1）高维非判别特征空间；2）难以表征复杂情境状态；3）局部与全局特征信息整合效率低。为填补研究空白，我们将特征变换任务形式化为特征生成与选择的迭代嵌套过程，其中特征生成基于原始特征生成并添加新特征，特征选择则移除冗余特征以控制特征空间规模。最后，我们通过大量实验与案例研究说明，相较SOTA方法F1分数提升24.7%，且在高维数据中具有鲁棒性。
引用
@article{arxiv.2212.13402,
title = {Traceable Automatic Feature Transformation via Cascading Actor-Critic Agents},
author = {Meng Xiao and Dongjie Wang and Min Wu and Ziyue Qiao and Pengfei Wang and Kunpeng Liu and Yuanchun Zhou and Yanjie Fu},
journal= {arXiv preprint arXiv:2212.13402},
year = {2023}
}
备注
9 pages, accepted by SIAM International Conference on Data Mining 2023