BRiG-AFA: Bellman Risk-to-Go Learning for Non-Myopic Active Feature Acquisition
BRiG-AFA 论文提出一种监督式主动特征获取方法，学习每个剩余预算下的候选条件风险-到-Go 函数，通过 Bellman 目标反向拟合，推理时贪心最小化学习到的终端风险。在受控非短视基准上，预算 2 和 3 时比单步消融准确率提升 4.84±2.17 和 4.39±1.10 个百分点；在 Fashion-MNIST 20 个候选像素上，4 次获取时提升 10.20±0.74 个百分点。
发展脉络
- 首次出现BRiG-AFA: Bellman Risk-to-Go Learning for Non-Myopic Active Feature AcquisitionarXiv cs.LG
- 当前判断主动特征获取在医疗诊断、传感器管理等场景有应用价值。BRiG-AFA 提供监督式方法，可能降低部署门槛，但论文仅展示基准和 Fashion-MNIST 结果，实际应用需验证。Agent Pulse · 分析
主动特征获取（AFA）在预算下决定每个测试实例下一步测量哪个未观测特征。贪心规则易训练但可能忽略上下文特征，强化学习和生成方法优化困难。BRiG-AFA 提出可部署的监督替代方案，为每个剩余预算学习独立的风险-到-Go 函数，从单步终端分类风险开始，用 Bellman 目标反向拟合；推理时仅用观测值、掩码、候选身份和剩余预算贪心最小化终端风险。受控非短视基准显示预期机制：预算 2 和 3 时，比单步消融准确率提升 4.84±2.17 和 4.39±1.10 个百分点（五个种子均值±标准误）。在 Fashion-MNIST 20 个候选像素上，每个非平凡报告预算平均提升准确率，包括四次获取时提升 10.20±0.74 个百分点；平均配对增益跨预算为正。
BRiG-AFA 的核心是学习每个剩余预算下的风险-到-Go 函数，通过 Bellman 目标反向拟合，使贪心推理能考虑未来获取的上下文价值。这避免了强化学习的优化困难和生成方法的密度估计问题，提供监督式可部署方案。实验显示在预算 2 和 3 时显著优于单步消融，验证了非短视机制的有效性。
主动特征获取在医疗诊断、传感器管理等场景有应用价值。BRiG-AFA 提供监督式方法，可能降低部署门槛，但论文仅展示基准和 Fashion-MNIST 结果，实际应用需验证。
主动特征获取可降低数据采集成本，BRiG-AFA 的监督式方法可能更易集成到现有系统，提升决策效率。但当前为研究阶段，商业价值需进一步验证。
后续可关注 BRiG-AFA 在真实数据集上的应用，以及与其他 AFA 方法的对比。若在真实场景中验证有效，可能推动主动特征获取的实用化。