JevForest
一篇关于预算受限特征获取问题的arXiv论文，提出基于自助采样决策树路径投票机制的特征获取策略，通过全局训练信息增益加权和共享掩码分类器实现动态特征选择
时间轴 (近 90 天)
JevForest 是一种针对预算受限下特征获取问题提出的策略，基于自助采样决策树进行路径投票
JevForest 的每棵树在其决策路径上提出下一步应观测哪个特征，是一种路径依赖的提议方式
JevForest 依据全局训练信息增益对不同树的提议进行加权，信息增益大的特征在投票中权重更高
JevForest 使用一个共享的掩码分类器基于已观测到的特征值进行预测，掩码机制使模型能处理部分缺失的输入
在 AG News 数据集（n=48）上，使用四个问题的森林获取方式取得 0.729 准确率，优于静态增益排序的 0.667 和随机排序的 0.583
一次性批量问完全部八个问题，不仅准确率更高，而且测得的成本和延迟都低于四次顺序森林查询
在离线 MiniBooNE 实验中，JevForest 使用十个特征达到 0.845±0.010 准确率，使用四十个特征提升至 0.885±0.008
论文提供了一个配套的 Newton boosting 实现，给出了初步的全特征合成数据结果
论文作者将这些结果定位为探索性，明确表示现有证据不支持路径投票具有普遍优势
JevForest 的实验结果呈现明显的任务依赖性，AG News 与 TREC 两个相似文本任务上表现截然相反
还有 3 条时间轴事件
全部知识事实 (13)
JevForest 是一种针对预算受限下特征获取问题提出的策略，基于自助采样决策树进行路径投票
50%待验证JevForest 的每棵树在其决策路径上提出下一步应观测哪个特征，是一种路径依赖的提议方式
50%待验证JevForest 依据全局训练信息增益对不同树的提议进行加权，信息增益大的特征在投票中权重更高
50%待验证JevForest 使用一个共享的掩码分类器基于已观测到的特征值进行预测，掩码机制使模型能处理部分缺失的输入
50%待验证在 AG News 数据集（n=48）上，使用四个问题的森林获取方式取得 0.729 准确率，优于静态增益排序的 0.667 和随机排序的 0.583
50%待验证一次性批量问完全部八个问题，不仅准确率更高，而且测得的成本和延迟都低于四次顺序森林查询
50%待验证在离线 MiniBooNE 实验中，JevForest 使用十个特征达到 0.845±0.010 准确率，使用四十个特征提升至 0.885±0.008
50%待验证论文提供了一个配套的 Newton boosting 实现，给出了初步的全特征合成数据结果
50%待验证论文作者将这些结果定位为探索性，明确表示现有证据不支持路径投票具有普遍优势
50%待验证JevForest 的实验结果呈现明显的任务依赖性，AG News 与 TREC 两个相似文本任务上表现截然相反
50%待验证问题预算与实际查询成本是两回事，顺序决策在问题数量上更节省，但在真实成本与延迟维度上未必划算
50%待验证采用任何智能特征获取策略之前，应在具体任务上做充分验证，而不应假设动态路径投票天然优于静态排序或批量提问
50%待验证JevForest 论文的 arXiv 编号为 arXiv:2610.10615v1
50%