LLM Sparsity Prior for Robust Feature Selection
面向稳健特征选择的大语言模型稀疏先验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为高维变量选择的先验方法与 LLM 辅助特征选择，属于统计方法与机器学习交叉，未涉及所列因果推断、面板、时间序列、资产定价等任何领域细分的直接文本依据，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
面向稳健特征选择的大语言模型稀疏先验
- 研究问题
- 摘要关注的问题是：在高维变量选择中，如何利用大语言模型（LLM）提供的领域先验权重，同时避免因权重不准确而导致选择与预测性能大幅下降。作者指出既有方法如 LLM-Lasso 对权重质量敏感。
- 方法与思路
- 作者先提出一个量化 LLM 生成权重质量的框架，用于在不同权重质量情形下评估 LLM 信息类方法；随后提出 LLM Sparsity Prior（LSP），把 LLM 权重通过两个可解释超参数（控制全局稀疏性与权重集中度）纳入 Spike-and-Slab 与 Spike-and-Slab Lasso 的先验包含概率，并对这些超参数设分层超先验以动态折减无信息或误导性权重。摘要还称发展了提示工程策略，并在一个研究急性肾损伤的私有医疗数据集上验证。
- 材料陈述的贡献
- 摘要称 LSP 在预测精度上有所提升，能识别基线方法遗漏的临床相关特征，对提示变化具有稳健性，并在低数据情形下尤为有效；同时提供了评估 LLM 权重质量的框架与可折减误导权重的分层先验设计。
- 阅读关注点
- 阅读全文时应核对：权重质量量化框架的具体定义与评价指标；两个超参数及分层超先验的设定、识别与后验计算方式；与 LLM-Lasso 等基线的比较设置是否公平；私有医疗数据的规模、变量维度与低数据情形的界定；稳健性与临床特征结论是否有充分的不确定性度量。
- 阅读边界
- 仅凭摘要无法判断方法的理论性质、识别条件、计算成本与可复现性，也无法核实预测精度提升与临床特征发现的幅度和统计显著性；摘要未说明数据可得性与提示细节。该文为 arXiv 预印本，尚未经同行评审或期刊接收，结论应视为初步。
原文摘要
Large language models (LLMs) offer a scalable mechanism to elicit domain-informed prior information for high-dimensional variable selection. However, existing methods such as LLM-Lasso are sensitive to weight quality, with performance degrading substantially when LLM-generated weights are inaccurate. To address this challenge, we first introduce a framework for quantifying the quality of LLM-generated weights, enabling rigorous evaluation of LLM-informed methods across varying weight regimes. We then propose the LLM Sparsity Prior (LSP), which integrates LLM-generated weights into the prior inclusion probabilities of Spike-and-Slab and Spike-and-Slab Lasso models via two interpretable hyperparameters governing global sparsity and weight concentration. Hierarchical hyperpriors on these parameters allow the model to dynamically discount uninformative or misleading weights, improving robustness without sacrificing gains when weights are accurate. Finally, we develop principled prompt engineering strategies and validate the method on a private medical dataset studying Acute Kidney Injury. LSP improves prediction accuracy and identifies clinically relevant features missed by the baselines, with robustness to prompt variation and particular effectiveness in low-data regimes.