四问森林获取AG News准确率0.729，超静态排序0.667和随机0.583
JevForest: Path Voting for Budgeted Feature Acquisition
📖 AI 总结
本文提出JevForest，一种面向有限观测预算的特征获取策略：它聚合来自自助采样树的路径依赖提议，按全局训练信息增益加权，并用共享掩码分类器基于已获取特征进行预测。在线实现中，系统按该策略选择语义问题并查询Jev。实验显示，在AG News小样本（n=48）上，四问森林获取准确率为0.729，高于静态增益排序的0.667和随机排序的0.583；但在TREC（n=24）上顺序反转，森林为0.667，低于0.750和0.833。批量一次询问全部八问的准确率更高，且实测成本与延迟低于四次顺序森林查询；直接Jev分类可达到与批量相当的准确率而成本更低。离线MiniBooNE实验中，十特征和四十特征准确率分别为0.845±0.010和0.885±0.008。作者指出，这些探索性结果建立了可用的Jev获取流程，但不足以支持路径投票具有普遍优势，其价值取决于任务、预测器以及问题预算与实际查询成本之间的区别。
🔑 关键词速览
| JevForest | 一种基于路径投票的特征获取策略，通过聚合自助法树的提议并加权来选择信息量大的特征。 |
| 特征获取 | 在预测时主动选择获取哪些特征值的过程，通常受限于观测预算。 |
| 路径投票 | JevForest 的核心机制，每棵树根据其决策路径提出特征建议，再通过投票聚合。 |
| 自助法树 | 在自助采样数据集上训练的决策树，用于集成学习中以增加多样性。 |
| 掩码分类器 | 一种能够处理部分特征缺失的分类器，根据已获取的特征子集进行预测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅