WrapperRL: Reinforcement Learning Agent for Feature Selection in High-Dimensional Industrial Data
Notice bibliographique
Résumé
Finding the set of discriminatory features in a classification task is imperative for the interpretability of the “black box” deep learning (DL) models, especially in high-stakes industrial applications such as predictive maintenance and industrial noise classification. In cases with time-series Time-Frequency (TF) domain data, the interpretability of DL models is challenged by the data’s high dimensionality and the need to maintain the characteristics of the original signal when interpreting classification results. This paper devises a three-stage process that supports the interpretability of a DL model identifying industrial noise through a forward feature selection procedure. The first stage transforms the original TF data into an image representation. The second stage proposes a 2D Convolutional Neural Network (CNN) with a self-attention mechanism (SA-CNN) that classifies the data into instances with and without industrial noise. The final stage, termed WrapperRL, utilizes a Reinforcement Learning (RL) agent, to find the set of discriminatory frequency bands contributing to classification results. SA-CNN and WrapperRL both outperform the state-of-the-art implementations, each in their own specialty. The insights provided by WrapperRL suggest the contribution of around 20% of frequency bands to the existence of industrial noise, mainly residing in the low-frequency domain. Together, both of these approaches serve as a promising starting point for enhancing the interpretability of DL models and explaining the classification results of industrial TF data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».