热点事件持续更新
LLM特征选择实证：整体不及经典统计方法
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年10月21日，arXiv cs.AI/cs.LG 发布一项关于LLM用于特征选择的系统性实证研究。该研究在18个数据集上、约33%特征预算且仅用训练集拟合的条件下进行比较，称经典统计选择器的预测性能整体仍优于Qwen2.5-7B与Llama-3.3-70B。研究还报告，零样本Qwen-7B下，有语义的特征名相比匿名与打乱版本，使回归R²分别提升+0.1964和+0.1606，分类ROC-AUC仅提升+0.0159和+0.0084。
AI 根据报道生成 · 2 小时前更新
最新进展10月21日 01:18
新预印本系统实证显示，经典统计选择器整体仍优于两款LLM。报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.AI / cs.LG 最新LLM 何时有助于特征选择？一项系统性实证研究
LLM 特征选择的系统性实证显示：在 18 个数据集上、约 33% 特征预算且仅用训练集拟合时，经典统计选择器的预测性能整体仍优于 Qwen2.5-7B 与 Llama-3.3-70B。零样本 Qwen-7B 下，有语义的特征名相比匿名与打乱版本分别带来回归 R² +0.1964 与 +0.1606 的提升，分类 ROC-AUC 仅提升 +0.0159 与 +0.0084。
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。