ग्राफ-चालित पथ ऑप्टिमाइजेशन के साथ स्वचालित विशेषता परिवर्तनों के लिए सहयोगात्मक मल्टी-एजेंट reinforcement learning

विशेषता परिवर्तन विधियाँ एक इष्टतम गणितीय विशेषता-विशेषता क्रॉसिंग प्रक्रिया खोजने का प्रयास करती हैं जो उच्च-मूल्य वाली विशेषताएँ उत्पन्न करती हैं और मशीन लर्निंग कार्यों की उत्कृष्टता को सुधारती हैं। मौजूदा ढांचे, जो मैनुअल लागत को कम करने के लिए डिज़ाइन किए गए हैं, अक्सर विशेषता परिवर्तनों को एकांत क्रियाओं के रूप में मानते हैं, जो परिवर्तन चरणों के बीच गतिशील निर्भरताओं को नजरअंदाज करते हैं। सीमाओं को संबोधित करने के लिए, हम TCTO का प्रस्ताव करते हैं, एक सहयोगात्मक मल्टी-एजेंट reinforcement learning ढांचा जो ग्राफ-चालित पथ ऑप्टिमाइजेशन के माध्यम से विशेषता इंजीनियरिंग को स्वचालित करता है। ढांचे की मुख्य नवाचार एक विकसित हो रहा इंटरएक्शन ग्राफ है जो विशेषताओं को नोड्स और परिवर्तनों को एज के रूप में मॉडल करता है। ग्राफ प्रूनिंग और बैकट्रैकिंग के माध्यम से, यह गतिशील रूप से निम्न-प्रभाव एज को समाप्त करता है, अपर्याप्त कार्यों को कम करता है, और अन्वेषण स्थिरता को बढ़ाता है। यह ग्राफ ऐतिहासिक परिवर्तनों से उच्च-उपयोग उपग्राफों के पुन: उपयोग के लिए TCTO को शक्ति प्रदान करता है। हमारे दृष्टिकोण की प्रभावशीलता और अनुकूलता को प्रदर्शित करने के लिए, हम व्यापक प्रयोग और केस अध्ययन करते हैं, जो कई डेटा सेटों में उत्कृष्ट प्रदर्शन को दर्शाते हैं।