何必多付：主动特征获取与分类的联合学习框架
机器学习
2017-09-19 v1 机器学习
摘要
我们考虑主动特征获取问题，即为了以最具成本效益的方式实现最大预测性能而顺序选择特征子集的问题。在本文中，我们将此主动特征获取问题表述为强化学习问题，并提供了一个新颖的框架来联合学习强化学习智能体和分类器（环境）。我们还引入了一种更系统的特征子集编码方式，能够妥善处理主动特征获取问题中缺失条目带来的固有挑战，该方式采用基于 LSTM 的无序集合编码机制，可轻松融入联合学习框架。我们在精心设计的用于主动特征获取的合成数据集以及多个真实数据集（如电子健康记录（EHR）数据集）上评估了我们的模型，结果显示其在预测性能和特征获取成本方面均优于所有基线方法。
引用
@article{arxiv.1709.05964,
title = {Why Pay More When You Can Pay Less: A Joint Learning Framework for Active Feature Acquisition and Classification},
author = {Hajin Shim and Sung Ju Hwang and Eunho Yang},
journal= {arXiv preprint arXiv:1709.05964},
year = {2017}
}