arXiv 发布 LLM 特征选择实证研究
热点事件持续更新
arXiv 发布 LLM 特征选择实证研究
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
arXiv 平台在 cs.AI 领域发布论文《When Do LLMs Help with Feature Selection?》，针对大语言模型在传统统计特征选择中的适用性开展系统性实证研究。 该研究基于 18 个数据集分析发现，在 33% 的特征预算限制下，经典选择器的预测性能通常优于测试的 7B LLM 及强化学习选择器，且经典方法在保持子集紧凑性方面具备优势。
AI 根据报道生成 · 43 分钟前更新
最新进展10月21日 12:00
系统性实证研究：LLM 在何时能优于传统统计方法用于特征选择报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv · AI系统性实证研究：LLM 在何时能优于传统统计方法用于特征选择
基于18个数据集的研究表明，在33%特征预算下，经典选择器的预测性能通常高于测试的7B LLM/RL选择器，且经典方法保持紧凑子集优势。零样本 Qwen-7B 实验显示，有信息量的特征名称使回归 R^2 均值提升 0.1964，而分类 ROC-AUC 提升较小且依赖数据集。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。