論文の概要: LLM-Driven Reasoning for Constraint-Aware Feature Selection in Industrial Systems

• arxiv url: http://arxiv.org/abs/2603.24979v1
• Date: Thu, 26 Mar 2026 03:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.073452
• Title: LLM-Driven Reasoning for Constraint-Aware Feature Selection in Industrial Systems
• Title（参考訳）: 産業システムにおける制約を考慮した特徴選択のためのLCM-Driven Reasoning
• Authors: Yuhang Zhou, Zhuokai Zhao, Ke Li, Spilios Evmorfos, Gökalp Demirci, Mingyi Wang, Qiao Liu, Qifei Wang, Serena Li, Weiwei Li, Tingting Wang, Mingze Gao, Gedi Zhou, Abhishek Kumar, Xiangjun Fan, Lizhu Zhang, Jiayi Liu,
• Abstract要約: 本稿では,連続的,推論に基づく特徴選択を行うモデル駆動型フレームワークであるモデル特徴エージェント(MoFA)を提案する。 MoFAは機能定義、重要度スコア、相関、メタデータを構造化プロンプトに組み込んで、解釈可能な制約対応推論を通じて機能を選択する。 実世界の3つの産業アプリケーションでMoFAを評価する: 真の関心と時効予測, 価値モデル強化, 通知行動予測。
• 参考スコア（独自算出の注目度）: 31.965000184715233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Feature selection is a crucial step in large-scale industrial machine learning systems, directly affecting model accuracy, efficiency, and maintainability. Traditional feature selection methods rely on labeled data and statistical heuristics, making them difficult to apply in production environments where labeled data are limited and multiple operational constraints must be satisfied. To address this, we propose Model Feature Agent (MoFA), a model-driven framework that performs sequential, reasoning-based feature selection using both semantic and quantitative feature information. MoFA incorporates feature definitions, importance scores, correlations, and metadata (e.g., feature groups or types) into structured prompts and selects features through interpretable, constraint-aware reasoning. We evaluate MoFA in three real-world industrial applications: (1) True Interest and Time-Worthiness Prediction, where it improves accuracy while reducing feature group complexity, (2) Value Model Enhancement, where it discovers high-order interaction terms that yield substantial engagement gains in online experiments, and (3) Notification Behavior Prediction, where it selects compact, high-value feature subsets that improve both model accuracy and inference efficiency. Together, these results demonstrate the practicality and effectiveness of LLM-based reasoning for feature selection in real production systems.
• Abstract（参考訳）: 機能選択は、大規模産業機械学習システムにおいて重要なステップであり、モデル精度、効率、保守性に直接影響を及ぼす。 従来の特徴選択法はラベル付きデータと統計ヒューリスティックスに依存しており、ラベル付きデータが制限され、複数の運用上の制約を満たさなければならない実運用環境では適用が困難である。 そこで本研究では,意味的特徴情報と定量的特徴情報の両方を用いて逐次的,推論に基づく特徴選択を行うモデル駆動型フレームワークであるモデル特徴エージェント(MoFA)を提案する。 MoFAは、特徴定義、重要度スコア、相関、メタデータ(例えば、特徴グループや型)を構造化プロンプトに組み込んで、解釈可能な制約対応推論を通じて特徴を選択する。 実世界の3つの産業分野におけるMoFAの評価は,(1)特徴群複雑性を低減しながら精度を向上するTrue Interest and Time-Worthiness Prediction,(2)バリューモデルエンハンスメント,(3)オンライン実験でかなりのエンゲージメントゲインをもたらす高次相互作用項の発見,(3)通知行動予測,(3)モデル精度と推論効率の両方を改善するコンパクトで高価値な特徴サブセットを選択する。 これらの結果は,実生産システムにおける特徴選択のためのLCMに基づく推論の実用性と有効性を示すものである。

関連論文リスト

• LLM-MLFFN: Multi-Level Autonomous Driving Behavior Feature Fusion via Large Language Model [8.63792214154021]
  本稿では,LLM-MLFFNについて述べる。 提案する LLM-MLFFN フレームワークは,大規模事前学習モデルの事前処理を統合し,分類精度を高めるためにマルチレベルアプローチを採用する。 オープントラジェクトリデータセットの評価は、提案したLLM-MLFFNの優れた性能を示し、分類精度は94%以上である。
  論文  参考訳（メタデータ） (2026-03-03T02:26:04Z)
• PB-IAD: Utilizing multimodal foundation models for semantic industrial anomaly detection in dynamic manufacturing environments [0.0]
  本稿では, PB-IAD (Prompt-based Industrial Anomaly Detection) を提案する。 データ分散性、アジャイル適応性、ドメインユーザ中心性という、動的運用環境の3つの重要な要件に対処する。 PatchCoreのような異常検出のための最先端のメソッドにベンチマークされる。
  論文  参考訳（メタデータ） (2025-08-20T07:53:13Z)
• FACT-AUDIT: An Adaptive Multi-Agent Framework for Dynamic Fact-Checking Evaluation of Large Language Models [79.41859481668618]
  大規模言語モデル(LLM)はファクトチェック研究を大幅に進歩させた。 既存のファクトチェック評価手法は静的データセットと分類基準に依存している。 本稿では, LLMのファクトチェック機能を適応的かつ動的に評価するエージェント駆動型フレームワークであるFACT-AUDITを紹介する。
  論文  参考訳（メタデータ） (2025-02-25T07:44:22Z)
• SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems [51.09233156090496]
  ディープレコメンデータシステムのためのSurrogatE-Light特徴選択法 SELFは、大規模言語モデルからのセマンティック推論と、代理モデルからのタスク固有の学習を統合する。 実世界のレコメンデータプラットフォームからの3つの公開データセットに関する総合的な実験は、SELFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-11T16:28:18Z)
• Can foundation models actively gather information in interactive environments to test hypotheses? [43.42688356541211]
  基礎モデルはシングルターン推論において優れているが、動的環境におけるマルチターン探索に苦慮している。 これらのモデルを,経験から学び,適応し,情報を収集する能力に基づいて評価した。
  論文  参考訳（メタデータ） (2024-12-09T12:27:21Z)
• Latent Feature Mining for Predictive Model Enhancement with Large Language Models [2.6334346517416876]
  本稿では,テキストからテキストへの命題論理的推論として潜在特徴抽出を定式化するための効果的なアプローチを提案する。 本稿では,大規模言語モデル (LLM) を利用した潜在機能付き観測機能拡張フレームワークであるFLAMEを提案する。 この枠組みを刑事司法制度と医療領域の2つのケーススタディで検証する。
  論文  参考訳（メタデータ） (2024-10-06T03:51:32Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• REFRESH: Responsible and Efficient Feature Reselection Guided by SHAP Values [17.489279048199304]
  REFRESHは、いくつかの新しいモデルをトレーニングすることなく、モデルパフォーマンスに望ましい追加の制約を達成できるように、機能を再選択する手法である。 REFRESHの基盤となるアルゴリズムは、SHAP値と相関解析を用いて、モデルをトレーニングすることなくモデルの予測を近似できる新しい手法である。
  論文  参考訳（メタデータ） (2024-03-13T18:06:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。