MH-FSF：克服特征选择评估基准测试与可重复性限制的统一框架

特征选择对于构建有效的预测模型至关重要，因为它减少了维度并强调关键特征。然而，当前研究往往受限于有限的基准测试和依赖专有数据集，这严重阻碍了可重复性并可能对整体性能产生负面影响。为此，我们引入了MH-FSF框架，一个全面、模块化和可扩展的平台，旨在促进特征选择方法的复现和实现。通过合作研究开发，MH-FSF提供了17种方法（11种经典方法，6种领域特定方法）的实现，并可在10个公开可用的Android恶意软件数据集上进行系统评估。我们的结果揭示了在平衡和不平衡数据集之间的性能差异，突显了对于考虑这些不对称性的数据预处理和选择标准的重要性。我们展示了对于比较多样化特征选择技术而言，采用统一平台的重要性，促进了方法论的一致性和严谨性。通过提供这个框架，我们旨在显著拓宽现有文献的范围，为特征选择，特别是Android恶意软件检测领域的新研究方向铺平道路。