English(EN) When Do LLMs Help with Feature Selection? A Systematic Empirical Study

与经典方法相比，大型语言模型在表格特征选择方面表现不佳

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-21 04:00

arXiv上的一项新实证研究调查了大型语言模型（LLMs）在表格特征选择中的有效性。研究发现，在预测性能方面，经典的统计方法通常优于基于LLM的选择器，包括Qwen2.5-7B和Llama-3.3-70B等模型。虽然LLMs可以利用语义特征名称，但这种优势在回归任务中比在分类任务中更明显，并且取决于数据集。研究得出结论，传统的选择器在预测性表格特征选择方面仍然是强大的基准。 AI

影响表明经典方法在表格特征选择方面仍然优越，这表明LLMs可能不是所有数据分析任务的通用解决方案。

排序理由在arXiv上发表的学术论文，详细介绍了LLM在特征选择方面的表现的实证研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 在arXiv上发表的学术论文，详细介绍了LLM在特征选择方面的表现的实证研究。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 4 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Fateme Memar, Dongjie Wang, Arvin Agah · 2026-10-21 04:00

何时大型语言模型有助于特征选择？一项系统的实证研究

arXiv:2610.28556v1 Announce Type: cross Abstract: Large language models (LLMs) can leverage semantic feature names alongside summary statistics for tabular feature selection, yet it remains unclear when such information improves subset selection relative to established statistica…

本文如何被排名

报道来源 [1]

何时大型语言模型有助于特征选择？一项系统的实证研究

相关实体

相关话题