纵向主动特征采集的树蒸馏可解释方法

1. 12:00
   arXiv · Statistics Machine Learning

   用于成本高效时序预测的主动特征采集：树蒸馏提升可解释性并降低参与者负担

   该研究提出一种树蒸馏方法，从基于神经网络的纵向主动特征采集（LAFA）网络中学习可解释的采集策略，在每个时间点动态选择要采集的条目子集以预测特定结果。方法在仿真和一个用于预测每日饮酒量的经验 EMA 数据集上验证，两种情况下都能显著减少每次采集的条目数，且精度损失极小。论文 arXiv:2610.07452，归属 cs.LG、cs.AI、stat.AP、stat.ME 与 stat.ML。

Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.