JevForest：预算功能获取的路径投票

在有限的观测预算下，选择要观测的信息是预测的核心。我们研究了 JevForest，这是一种特征获取策略，它聚合来自自举树的路径相关建议，通过全局训练信息增益对它们进行加权，并使用共享屏蔽分类器根据获取的值进行预测。在线实现向 Jev 查询此策略选择的语义答案。在小型平衡保留样本上，四问题森林获取在 AG News ($n=48$) 上的准确度为 0.729 美元，而静态增益排名为 0.667 美元，随机排序为 0.583 美元。在 TREC ($n=24$) 上，顺序相反：森林准确度为 $0.667$，而 $0.750$ 和 $0.833$ 则为 $0.750$。与四个连续的森林查询相比，在一批中询问所有八个问题可以以更低的测量成本和延迟获得更高的准确性；直接 Jev 分类与批次精度相匹配，同时成本更低。离线 MiniBooNE 实验在 3 个共同变化的数据和森林种子上，在 10 个特征上的准确度为 $0.845\pm0.010$，在 40 个特征上的准确度为 $0.885\pm0.008$（平均 $\pm$ 样本标准差）。配套的牛顿增强实现提供了初步的全功能综合结果。这些探索性发现建立了有效的 Jev 获取工作流程，但不支持路径投票的一般优势：其价值取决于任务、预测变量以及问题预算和实际查询成本之间的区别。