Группа исследователей представила новый метод выбора признаков для машинного обучения, основанный на сети Колмогорова-Арнольда и Double Deep Q-Network с участием человека в контуре. Метод показал точность 93% на датасете MNIST и 83% на FashionMNIST, превзойдя традиционные модели на 9%. Работа опубликована на arXiv.org 6 ноября 2024 года, последняя версия — от 8 января 2026 года.
Ключевая особенность подхода — динамический выбор наиболее релевантных признаков для каждого отдельного экземпляра данных, а не использование статического набора для всей выборки. Для этого используется интерпретируемая сеть Колмогорова-Арнольда, которая требует в 4 раза меньше нейронов в скрытом слое, чем многослойные перцептроны. Обратная связь от человека интегрируется через имитацию человеческих предпочтений и стохастическую выборку на основе бета-распределения.
Выбор признаков — критически важный этап для повышения производительности и интерпретируемости моделей, особенно в задачах с высокой размерностью. Существующие методы часто требуют ручного вмешательства или не адаптируются к конкретным данным. Новый фреймворк решает эти проблемы, обеспечивая масштабируемость и возможность работы в реальном времени с задержкой менее 1 миллисекунды.
Метод также протестирован на CIFAR-10 и CIFAR-100, где показал улучшение макро-F1 на 30% для MNIST и на 5% для CIFAR-10. Ошибка калибровки модели снижена на 25%. Визуализация и прунинг повысили прозрачность принятия решений. Решение подходит для приложений, требующих адаптивного выбора признаков с минимальным контролем человека.
