【标题】A reinforcement learning guided adaptive cost-sensitive feature acquisition method（一种强化学习引导的自适应代价敏感特征获取方法）

【作者团队】Chaojie An, Qifeng Zhou, Shen Yang

【发表日期】2022.1.12

【论文链接】https://www.sciencedirect.com/sdfe/reader/pii/S1568494622000163/pdf

【推荐理由】现有的大部分特征选择方法都倾向于追求所选特征子集的学习性能，而忽略了获取每个特征的代价。在实际问题中，由于资源有限，经常面临模型性能和特性成本之间的权衡。此外，在某些应用(如医学测试)中，特征是在学习过程中顺序获得的，而不是预先知道整个特征集的信息。本文设计了一个强化学习智能体来指导代价敏感的特征获取过程，并提出了一个基于深度学习的模型来自适应地为每个实例选择信息丰富且成本较低的特征。特征获取的整个过程将由智能体根据其从输入中观察到的信息来决定。具体来说，循环神经网络(RNN)模型将从当前样本中学习知识，智能体将给出RNN模型是继续选择下一个特征还是停止顺序特征获取过程的指令。此外，该方法还可以选择每个块的特征，从而可以处理高维数据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除