Wanneer zijn corrigerende features nuttig? Een agent voor het ontdekken van corrigerende features bij black-box-voorspellers

Bevroren voorgetrainde voorspellers falen vaak op gestructureerde, terugkerende manieren die kostbaar zijn om via fine-tuning te herstellen. We bestuderen correctieve feature discovery: het ontginnen van interpreteerbare kenmerken uit de residu van een bevroren voorspeller om een lichtgewicht post-hoc corrector aan te sturen. Eerdere geautomatiseerde feature engineering modelleert het datagenererende proces; correctieve features modelleren daarentegen het faalproces van het model. We presenteren CRAFTER (Corrective Residual Agent with Feature Engineering and Reasoning).