新的SHAP引导框架增强了基于LLM的特征工程

研究人员开发了SIGMA，一个新颖的自动化特征工程（AutoFE）框架，该框架利用SHAP值来引导特征生成，而无需语义元数据。这种方法解决了现有基于LLM的AutoFE方法的局限性，例如上下文窗口限制和高重复特征率。SIGMA的EXposed-feature Implicit Trajectory (EXIT)方法保持了恒定的提示长度，并将特征重复率从37.2%显著降低到6.8%，同时以更少的特征实现了与最先进方法相当的性能。 AI

影响 这项研究为LLM提供了更高效、可扩展的特征工程方法，有望提高各种机器学习应用的性能。

排序理由 该集群包含一篇研究论文，详细介绍了基于LLM的自动化特征工程的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• CatalyzeX
• DagsHub
• Hugging Face
• Large Language Models
• SHAP
• Shinichi Shirakawa
• SIGMA

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →