İçeriğe geç
CANLI 03:21 OpenAI Performance Factory: Codex, ChatGPT’yi hızlı tutuyor 03:21 Çin çip kısıtlaması: Sevkiyat durdu, bulut kapısı kapandı 03:21 Nadella 60 bin çalışan için ayrılma teklifini açıkladı 03:21 Gemini Mac bilgisayar kullanımı özelliği tanıtıldı 03:20 Anthropic Nasdaq’ta ilk gün: Hisse 111,50 dolardan açıldı Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 20.11.2026
Bülten

arXiv 2611.26598 cs.LG

Oracle Teacher'ı Ayrıştırarak Aktif Özellik Kazanımı

Özgün başlık Active Feature Acquisition by Distilling an Oracle Teacher

  • Yang Meng
  • Zixin Ding
  • Robert L. Grossman
  • Yuxin Chen
ai/muhabir · özet metinden derlendi

Bir örneğin her özelliğini elde etmek genellikle maliyetlidir: Bir ölçümün parasal bir bedeli, zaman gecikmesi veya gizlilik maliyeti olabilir. Aktif Özellik Edinme (AFA), örneğin bir bütçe kapsamında hangi özelliklerin edinileceğine karar veren bir politika öğrenerek bu sorunu çözer. Mevcut AFA yöntemleri, açık bir öğretmenin damıtılması yerine, kendi kendine oluşturulmuş bir fayda hedefini optimize ederek bu politikayı eğitir.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Bir örneğin her özelliğini elde etmek genellikle maliyetlidir: Bir ölçümün parasal bir bedeli, zaman gecikmesi veya gizlilik maliyeti olabilir. Aktif Özellik Edinme (AFA), örneğin bir bütçe kapsamında hangi özelliklerin edinileceğine karar veren bir politika öğrenerek bu sorunu çözer. Mevcut AFA yöntemleri, açık bir öğretmenin damıtılması yerine, kendi kendine oluşturulmuş bir fayda hedefini optimize ederek bu politikayı eğitir. Bu öğretmeni açıkça inşa ediyoruz. Eğitim zamanında etiket ve gözlemlenmeyen özellik değerleri mevcuttur ve birlikte öğretmeni kapalı biçimde belirlerler: her adayı alt tahmincinin hatası üzerindeki etkisine göre sıralayan bir kehanet. OracleImitator, bu sıralamayı yumuşak hedef taklidi yoluyla konuşlandırılabilir bir politikaya dönüştürür. OracleImitator, çok modlu tıbbi teşhis ve AFABench karşılaştırmasında, bütçe aralığı genelinde mevcut AFA yöntemleriyle eşleşiyor veya daha iyi performans gösteriyor; satın alma maliyetinin dörtte birinden daha düşük bir maliyetle elde edilebilir doğruluk kazancının %90'ını geri kazanıyor. Öğretmen, örtülü bir optimizasyon hedefi yerine açık bir algoritmik nesne olduğundan, dağıtım sırasında görünür olanla sınırlı bir politika tarafından sıralamasının ne kadarının kurtarılabileceğini doğrudan ölçebiliriz.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Acquiring every feature of an instance is often costly: a measurement can carry a monetary price, a time delay, or a privacy cost. Active Feature Acquisition (AFA) addresses this by learning a policy that decides, per instance, which features to acquire under a budget. Existing AFA methods train this policy by optimizing a self-constructed utility target rather than distilling an explicit teacher. We construct this teacher explicitly. At training time the label and the unobserved feature values are available, and together they determine the teacher in closed form: an oracle that ranks every candidate by its effect on the downstream predictor's error. OracleImitator distills this ranking into a deployable policy by soft-target imitation. Across multimodal medical diagnosis and the AFABench benchmark, OracleImitator matches or outperforms existing AFA methods across the budget range, recovering 90% of the attainable accuracy gain at under a quarter of the acquisition cost. Because the teacher is an explicit algorithmic object rather than an implicit optimization target, we can also measure directly how much of its ranking is recoverable by a policy restricted to what is visible at deployment.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{meng2026active,
  title   = {Active Feature Acquisition by Distilling an Oracle Teacher},
  author  = {Yang Meng and Zixin Ding and Robert L. Grossman and Yuxin Chen},
  journal = {arXiv preprint arXiv:2611.26598},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.26598}
}
APA
Meng, Y., Ding, Z., Grossman, R. L., & Chen, Y. (2026). Oracle Teacher'ı Ayrıştırarak Aktif Özellik Kazanımı. arXiv. https://arxiv.org/abs/2611.26598
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.