计算机研究与发展

作者：肖濛,周骏丰,周园春,

关键词：深度强化学习, 多智能体, 以数据为核心的人工智能, 特征生成, 科学数据,

特征生成（featuregeneration,FG）的目标是通过构建高阶特征组合并去除冗余特征，提升原始数据的预测潜力.针对表格型科学数据，特征生成是提高下游机器学习模型性能的重要预处理环节.然而，传统方法在处理科学数据特征生成问题时面临以下两方面挑战：首先，针对科学数据生成有效的高阶特征组合通常需要深入且广泛的领域知识；其次，随着特征组合阶数的增加，组合搜索空间呈指数级扩张，导致人工探索成本过高.近年来，以数据为核心的人工智能（data-centricartificialintelligence,DCAI）范式的兴起为自动化特征生成过程提供了新的可能性.受此启发，重新审视了传统特征生成工作流程，并提出了一种多智能体特征生成（multi-agentfeaturegeneration,MAFG）框架.具体而言，在迭代探索阶段，多个智能体协作构建数学变换算式，识别并合成具有高信息含量的特征组合，最后通过强化学习机制实现策略的自适应演化.探索阶段结束后，MAFG框架引入大语言模型（largelanguagemodels,LLMs），针对探索过程中的每个关键模型性能突破点，解释性评估该步骤新生成的特征.实验结果和具体案例研究表明，MAFG框架能够有效地实现特征生成过程的自动化，并能显著提升下游多个科学数据挖掘任务的效果.

来源：2025年第9期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第9期