Neue Methode verbindet Embeddings mit Features in Ereignissequenzen

In industriellen Finanzsystemen werden Daten wie Transaktionen, Nutzeraktionen und Systemprotokolle in zeitlichen Ereignissequenzen verarbeitet. Trotz der wachsenden Beliebtheit von Representation‑Learning‑Modellen und großen Sprachmodellen setzen Produktionssysteme weiterhin stark auf handgefertigte statistische Features. Diese bleiben beliebt, weil sie interpretierbar sind, auch bei begrenzter Supervision robust funktionieren und niedrige Latenzzeiten garantieren.

Um die Kluft zwischen lernbasierten Embeddings und feature‑basierten Pipelines zu überbrücken, wurde das neue Framework „Embedding‑Aware Feature Discovery“ (EAFD) vorgestellt. EAFD kombiniert vortrainierte Embeddings von Ereignissequenzen mit einem selbstreflektierenden, LLM‑gesteuerten Feature‑Generierungsagenten. Durch einen iterativen Prozess werden Features aus den Rohdaten entdeckt, bewertet und verfeinert, wobei zwei ergänzende Kriterien herangezogen werden: Alignment, das bereits in den Embeddings enthaltene Informationen erklärt, und Complementarity, das fehlende prädiktive Signale identifiziert.

In umfangreichen Open‑Source‑ und industriellen Transaktionsbenchmarks übertrifft EAFD sowohl reine Embedding‑Ansätze als auch traditionelle Feature‑Baselines. Die Methode erzielt relative Verbesserungen von bis zu 5,8 % gegenüber dem aktuellen Stand der Technik und setzt damit neue Maßstäbe für die Analyse von Ereignissequenzen.