工业系统中约束感知特征选择的 LLM 驱动推理

特征选择是大型工业机器学习系统的关键步骤。针对传统方法依赖标注数据且难以满足多重操作约束的问题，本文提出模型特征代理（MoFA）。该框架利用 LLM 的推理能力，结合特征的语义定义、重要性评分及元数据进行结构化提示，执行可解释的、约束感知的顺序特征选择。在三个真实工业场景中的评估表明，MoFA 能在降低复杂度的同时提升模型准确性与推理效率，验证了基于 LLM 推理在实际生产系统中的有效性。