Newest papers

When Do LLMs Help with Feature Selection? A Systematic Empirical Study

Fateme Memar, Dongjie Wang, Arvin Agah · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28556 · open-access PDF

Korean

대형 언어 모델(LLMs)은 테이블 기능 선택에 대한 요약 통계와 함께 세마닉 기능 이름을 활용할 수 있지만, 그러한 정보가 확립된 통계적 방법에 비해 하위 세트 선택을 개선할 때는 불분명합니다. 우리는 그룹 상대 정책 최적화 (GRPO) 교육을 위한 10개 데이터 세트, 체크포인트 검증을 위한 2개 데이터 세트, 그리고 6개 보관된 평가 데이터 세트를 포함한 18개 데이터 세트 프레임워크 내에서 이 질문을 조사합니다.

Machine translation (Meta M2M100); the English original follows.

Abstract

Large language models (LLMs) can leverage semantic feature names alongside summary statistics for tabular feature selection, yet it remains unclear when such information improves subset selection relative to established statistical methods. We investigate this question within an 18-dataset framework comprising 10 datasets for Group Relative Policy Optimization (GRPO) training, 2 for checkpoint validation, and 6 held-out evaluation datasets. We compare five classical baselines, frozen Qwen2.5-7B and Llama-3.3-70B selectors, and two GRPO-adapted Qwen2.5-7B models, reporting classification ROC-AU

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange