欧几里得智能特征工程：面向企业 AI 云资源需求预测
计算与语言
2026-05-29 v2 人工智能
机器学习
摘要
有效特征是预测模型性能的关键，但创建它们通常需要领域专业知识，限制了其在不同应用中的可扩展性。我们将特征工程定义为一种智能代码生成问题：特征不属于静态数据转换，而是可以生成、评估和迭代改进的可执行程序。我们提出了Eureka框架，包含三个阶段。（1）专家智能体通过SFT在领域知识上进行微调，生成以JSON格式呈现的结构化特征设计计划。（2）LLM特征工厂通过链条推理将每个计划转换为可执行的Python代码，将特征假设转化为可运行的程序。（3）自演化对齐引擎使用强化学习（GRPO）结合双通道奖励（基于指标的实用性+语义对齐），提高代码质量。通过将特征表述为程序，所学到的生成模式可以在不同领域之间传递。在7个公开基准（涉及医疗、金融和社交领域）上评估，Eureka始终优于传统AutoFE和基于LLM的基线方法。我们进一步在阿里云上展示了Eureka对云GPU资源需求预测的有效性，其中Eureka将需求满足率提高了16%，将计算资源迁移率降低了33%。
引用
@article{arxiv.2605.25297,
title = {Eureka: Intelligent Feature Engineering for Enterprise AI Cloud Resource Demand Prediction},
author = {Hangxuan Li and Renjun Jia and Xuezhang Wu and Yunjie Qian and Zeqi Zheng and Xianling Zhang},
journal= {arXiv preprint arXiv:2605.25297},
year = {2026}
}
备注
accepted at NeurIPS 2025 Workshop, DASFAA 2026 (International Conference on Database Systems for Advanced Applications)