Acquisition Conditioned Oracle for Nongreedy Active Feature Acquisition

要約

能動的特徴獲得 (AFA) の新しい方法論を開発します。これは、正確な予測を行いながら獲得コストを最小限に抑える動的な (インスタンスごとに) 特徴のサブセットを連続的に獲得する方法の研究です。
AFA フレームワークは、患者の追加機能を取得するためのコスト (時間、お金、リスクなど) を、予想される診断パフォーマンスの改善と比較検討できるヘルスケア アプリケーションなど、無数の領域で役立ちます。
AFA の以前のアプローチでは、次のいずれかが採用されていました。ディープ ラーニング RL 手法。報酬がまばらでアクション空間が複雑なため、AFA MDP でのポリシーのトレーニングが困難です。
複雑な多次元条件付き分布のモデル化を必要とする深層学習代理生成モデル。
または貪欲なポリシー。共同の機能の取得が、より良い予測のためにどのように有益であるかを説明できません。
この作業では、買収条件付きオラクル (ACO) と呼ばれる、新しいノンパラメトリック オラクル ベースのアプローチを使用して、これらの課題の多くを回避できることを示します。
広範な実験により、予測と一般的な意思決定の両方の機能を取得する際に、最先端の AFA メソッドに対する ACO の優位性が示されています。

要約(オリジナル)

We develop novel methodology for active feature acquisition (AFA), the study of how to sequentially acquire a dynamic (on a per instance basis) subset of features that minimizes acquisition costs whilst still yielding accurate predictions. The AFA framework can be useful in a myriad of domains, including health care applications where the cost of acquiring additional features for a patient (in terms of time, money, risk, etc.) can be weighed against the expected improvement to diagnostic performance. Previous approaches for AFA have employed either: deep learning RL techniques, which have difficulty training policies in the AFA MDP due to sparse rewards and a complicated action space; deep learning surrogate generative models, which require modeling complicated multidimensional conditional distributions; or greedy policies, which fail to account for how joint feature acquisitions can be informative together for better predictions. In this work we show that we can bypass many of these challenges with a novel, nonparametric oracle based approach, which we coin the acquisition conditioned oracle (ACO). Extensive experiments show the superiority of the ACO to state-of-the-art AFA methods when acquiring features for both predictions and general decision-making.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google