FELA：用于工业事件日志特征工程的多智能体进化系统

事件日志数据记录了细粒度的用户操作和系统事件，是现代数字服务最宝贵的资产之一。然而，事件日志的复杂性和异构性——表现为大规模、高维度、多样数据类型以及复杂的时间或关系结构——使得特征工程极具挑战性。现有的自动特征工程方法，如 AutoML 或遗传方法，常常受限于可解释性有限、预定义操作僵化以及对复杂异构数据的适应性差。在本文中，我们提出了 FELA（Feature Engineering LLM Agents），一个用于从复杂工业事件日志数据中自主提取有意义且高性能特征的多智能体进化系统。FELA 将大语言模型（LLM）的推理和编码能力与洞见导向的自演化范式相结合。具体而言，FELA 采用专业智能体——Idea 智能体、Code 智能体和 Critic 智能体——协合生成、验证和实现新颖的特征想法。Evaluation 智能体对反馈进行总结，并更新分层知识库和双记忆系统，以实现持续改进。此外，FELA 引入了一种智能体演化算法，将强化学习和遗传算法原理相结合，以在想法空间中平衡探索与开发。广泛的在真实工业数据集上的实验表明，FELA 能够生成具有可解释性、与域相关性强的特征，显著提高模型性能，同时减少手动工作量。我们的结果凸显了基于 LLM 的多智能体系统作为一种通用框架，用于在复杂真实环境中实现自动、可解释且自适应的特征工程的潜力。