大语言模型增强的算法选择：迈向全面的算法表征

该研究面向自动化机器学习中的算法选择：在执行前，为给定问题匹配合适的算法，核心贡献是引入 LLM 从算法代码提取表征，以补充主要依赖问题特征的选择方法。基于摘要分析，未取得论文全文。 方法上，作者利用 LLM 理解代码文本，提取涉及算法结构、语义、上下文及库函数的高维算法表征，经特征选择模块处理后，与问题表征共同输入相似度计算模块，依据问题与候选算法的匹配程度完成选择。其方法重点是显式建模算法侧信息，而非仅刻画待求解问题。摘要未说明所用 LLM、代码输入组织、问题特征、监督信号、损失函数或匹配函数。 作者报告，实验支持所提模型的性能优势及关键模块的有效性，并给出模型复杂度的理论上界，讨论算法表征与特征选择模块的影响。摘要未提供任务、数据集、划分、基线、指标或具体数值；实验协议、消融及统计信息尚未验证，复杂度上界的假设与适用范围也需核对正文。 平台推测（待验证）：若能获得 EEG 任务特征、候选算法代码及统一协议下的性能记录，该机制或可用于选择预处理或解码算法，以应对不同任务和被试下算法适配性变化的问题。可复用部分是代码表征、特征选择与匹配框架；需改造 EEG 问题表征，并明确训练选择器所需的性能监督及数据规模。低信噪比、跨被试差异、通道配置变化和小数据可能使问题特征不稳定；代码相似也不代表 EEG 性能相近。一个可证伪的小实验是在固定候选算法与统一跨被试划分下，对比仅用问题特征和加入代码表征的选择器，并在留出被试上检验所选算法的实际表现。原领域有效不等于 BCI 有效，相关 EEG 工作尚未检索确认。