通过利用大型语言模型，提出了 Context-Aware Automated Feature Engineering（CAAFE）方法，该方法可以在表格数据集中生成语义相关的功能。通过将此方法应用于 14 个数据集，可以提高 11 个数据集的性能并提供有价值的见解。

May, 2023

通过引入一种交互感知的增强生成视角，我们重新定义特征空间重建为通过选择创建有意义的特征和控制特征集大小的嵌套过程，从而自动化特征和操作的选择以及特征交叉。通过结合统计度量，我们基于所选特征之间的相互作用强度奖励智能体，实现了对特征空间的智能和高效的探索，从而模拟人体决策过程。通过进行大量实验证实了我们提出的方法。

Sep, 2023

KRAFT 是一个 AutoFE 框架，利用知识图谱来指导生成可解释特征，通过神经生成器和基于知识的推理器结合的混合 AI 方法来提高预测准确性和生成特征的可解释性。实验证明，KRAFT 在提高准确性的同时保证了较高的可解释性。

Jun, 2024

本文提出了一个新颖的基于元学习的动态集成选择框架，用于提高过低训练数据量问题下的分类精度，通过五个不同类型的元特征来衡量分类器为输入样本分类的能力，并用这些元特征来训练元分类器，从而选择最有能力的分类器进行集成。

Sep, 2018

本文提出了一种被称为 SAFE 的分阶段方法，旨在提高特征工程的效率和可扩展性，同时保证其可解释性和性能表现，经过广泛实验论证，该方法相较于其他方法表现出更高的效率和竞争力的效果，并且具备适度的可扩展性，保证其在大规模工业任务中可落地实施。

Mar, 2020

我们提出了一种新颖的特征归因方法 CAFE（冲突感知特征解释），它解决了现有方法中的三个限制：它们忽视冲突特征的影响，不考虑偏差项的影响，以及对基础激活函数的局部变化过于敏感。与其他方法不同，CAFE 在溯源神经元输入的影响上提供了防止效应被高估的保护措施，并单独跟踪输入特征和偏差的正负影响，从而增强了鲁棒性，并增加了表面冲突特征的能力。我们的实验证明，CAFE 能够更好地识别合成表格数据中的冲突特征，并在几个真实世界的表格数据集上具有最好的整体保真度，同时具有很高的计算效率。

Oct, 2023

本文提出了一种名为 CAFE 的新方法来压缩数据集并 align 真实数据和合成数据的特征，以防止梯度偏差。我们的方案通过动态双级优化和适应性参数更新以防止过度拟合，并通过广泛实验验证了其有效性。

Mar, 2022

基于自动化决策的大数据和机器学习算法可能导致对某些受保护群体的歧视性决策。既有的公平感知机器学习方法关注于输入数据，学习算法或派生模型的前处理，中断处理或后处理。本文提出的 FAE（公平感知集成）框架结合了数据分析过程中前处理和后处理步骤中与公平相关的干预措施。

Feb, 2020

提出了一种新的框架 Model-Agnostic Counterfactual Explanation (MACE)，通过采用一种新设计的流水线来有效处理大量特征值上的非可分机器学习模型，其中包括使用基于 RL 的方法来找到良好的对策例子和梯度下降方法来改进相似性。公共数据集上的实验证实了该方法的有效性，具有更好的准确性、稀疏性和相似性。

May, 2022

采用对比学习和适应性正负样本的特征提取框架来提取无监督、半监督和有监督的单视图特征，该框架可以更好地处理噪音数据和提高特征提取的准确性。

Jan, 2022