SEED-MAX

该论文提出了 SEED-MAX（Successive Empirical Excess Risk Difference Maximization）算法，将特征选择重新表述为序列嵌套模型选择问题的变体，通过递归计算经验风险来识别最精简但信息量最大的特征子集。

SEED-MAX 的核心逻辑是递归地计算经验风险，每一步选择能够最大程度降低超额风险的候选特征加入集合，维护一个已选特征集合并通过贪心式递归策略获得理论保证。

论文推导出了 SEED-MAX 算法正确选择特征的概率下界，表明随着训练数据集规模增大，算法正确识别最优特征子集的概率可以无限接近1。

论文在 SEED-MAX 基础上引入 Fisher 检验（F-Test）对保留特征进行进一步评估，用于快速剔除统计意义上贡献不显著的特征。

在 UCR 时间序列分类数据集上，SEED-MAX 与 F-Test 的顺序组合方法可以达到约 92% 的剪枝率（原始随机特征中只有8%被保留），而分类精度下降几乎可以忽略。

对比实验显示，单独使用 SEED-MAX 已经能够有效剪枝，但加入 F-Test 后剪枝率进一步提升，同时保持了分类性能。

SEED-MAX 与 F-Test 结合时，SEED-MAX 负责从全局风险视角筛选条件依赖的特征子集，F-Test 从统计显著性角度做二次精简，两者互补使剪枝率从单独使用 SEED-MAX 时的水平进一步提升至约 92%。

作者已经在 GitHub 上开源了 SEED-MAX 和 SEED-MAX-F-Test 的实现，方便研究者和工程师复现和扩展。

SEED-MAX 框架的适用性可能不限于 W-RKS，任何依赖大量候选特征并进行筛选的学习任务，都可能从这个嵌套模型选择的视角中获益。

未来的研究可以探索 SEED-MAX 框架在深度学习特征层剪枝、集成学习基学习器选择等场景中的应用潜力。