ما وراء الاختيار المنفصل: تحسين مساحة التضمين المستمرة لاختيار الميزات التوليدية

هدف اختيار الميزات - الذي يتضمن طرق التصفية، التغليف، والتضمين - هو إيجاد مجموعة الميزات المثلى للمهام المنبثقة المخصصة. ومع ذلك، فإن طرق اختيار الميزات الحالية مقيدة بـ: 1) معايير الاختيار لهذه الطرق تتنوع للمجالات المختلفة، مما يصعب تعميمها؛ 2) أداء الاختيار لهذه الطرق ينخفض بشكل كبير عند معالجة مساحة ميزات عالية الأبعاد مرتبطة بحجم عينة صغير. في ضوء هذه التحديات، نطرح السؤال: هل يمكن أن تكون مجموعات الميزات المختارة أكثر متانة ودقة وغير حساسة لأبعاد الإدخال؟ في هذه الورقة، نعيد صياغة مشكلة اختيار الميزات كمسألة تحسين تفاضلي عميق ونقترح وجهة نظر بحثية جديدة: تصور تقسيم الميزات المنفصلة كتحسين مساحة تضمين مستمرة. نقدم إطارًا جديدًا ومبدئيًا يشمل مشفرًا تسلسليًا، ومقياس دقة، ومفكك تسلسلي، ومحسن صعودي للتدرج. يتضمن هذا الإطار الشامل أربعة خطوات مهمة: إعداد بيانات التدريب لميزات-الدقة، تضمين مجموعة الميزات العميق، البحث المحسن بالتدرج، وإعادة بناء مجموعة الميزات. على وجه الخصوص، نستخدم تعلم اختيار الميزات التعزيزية لتوليد بيانات تدريب متنوعة وعالية الجودة وتعزيز التعميم. من خلال تحسين خسائر إعادة البناء والدقة، ندمج معرفة اختيار الميزات في مساحة مستمرة باستخدام هيكل نموذج مشفر-مقيم-مفكك. نستخدم خوارزمية بحث صعودي للتدرج للعثور على تضمينات أفضل في مساحة التضمين المتعلمة. علاوة على ذلك، نعيد بناء حلول اختيار الميزات باستخدام هذه التضمينات ونختار مجموعة الميزات ذات الأداء الأعلى للمهام المنبثقة كمجموعة مثلى. أخيرًا، تظهر النتائج التجريبية الواسعة فعالية طريقتنا المقترحة، مما يعكس تحسينات كبيرة في متانة ودقة اختيار الميزات. لتحسين قابلية تكرار بحثنا، قمنا بإصدار الكود والمجموعات المصاحبة عبر Dropbox.