埋め込み対応型の特徴発見: イベント系列における潜在表現と解釈可能な特徴を橋渡しする

要旨：産業用金融システムは、取引、ユーザー行動、システムログといった時系列イベントの連なりに基づいて機能します。近年の研究が表現学習と大規模言語モデルを強調する一方で、生産システムは解釈性、限られた監視下での頑健性、そして厳格な遅延制約のため、手作業で作成された統計的特徴量に強く依存し続けています。これにより、学習済み埋め込みと特徴量ベースのパイプラインの間にはなおも乖離が生じています。Embedding-Aware Feature Discovery (EAFD) を導入します。これは事前学習済みのイベント列埋め込みと自己反省的なLLM駆動の特徴生成エージェントを結合することでこのギャップを橋渡しする統一フレームワークです。EAFD は、生のイベント列から直接特徴を反復的に発見・評価・洗練させるために、2つの補完的基準を用います：\emph{整合性}（埋め込みにすでにエンコードされている情報を説明するもの）と \emph{補完性}（それらに欠けている予測信号を特定するもの）。オープンソースと産業界の取引ベンチマークの両方において、EAFD は埋め込みのみおよび特徴ベースのベースラインを一貫して上回り、最先端の事前学習済み埋め込みを最大で +5.8\% 上回る相対的利得を達成し、イベント列データセット全体で新たな最先端の性能を実現します。