实证研究：经典特征选择器整体优于7B LLM选择器
热点事件持续更新
实证研究：经典特征选择器整体优于7B LLM选择器
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Fateme Memar等作者提交的一项系统性实证研究，在18个数据集上比较了经典统计特征选择器与基于7B大模型/强化学习的选择器在表格特征选择任务上的表现。研究结论是：经典统计选择器整体预测性能优于所测试的7B LLM/RL选择器，在约33%特征预算下也是如此。 该研究使用10个数据集训练Group Relative Policy Optimization（GRPO）模型，2个用于检查点验证，6个留出数据集用于评估。
AI 根据报道生成 · 54 分钟前更新
最新进展10月21日 12:00
LLM 何时有助于特征选择？一项系统性实证研究报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.AILLM 何时有助于特征选择？一项系统性实证研究
一项覆盖 18 个数据集的系统性实证研究发现，在表格特征选择任务上，经典统计选择器整体预测性能优于测试的 7B LLM/RL 选择器，包括在约 33% 特征预算下。
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。