본 논문은 기존 머신러닝에서 특징 변환(Feature Transformation)의 자동화를 위한 새로운 프레임워크인 FastFT를 제시합니다. 기존의 수동 방식, 반복적 피드백 기법, 탐색적 생성 기법들은 시간 소모적인 하류 작업 성능 평가에 의존하고, 다양한 특징 조합을 보장하기 어렵고, 유의미한 변환이 드물어 학습 효율이 낮다는 한계를 지닙니다. FastFT는 성능 예측기를 통해 특징 변환 평가를 하류 작업 성능과 분리하고, 새로운 변환 시퀀스의 참신성을 평가하여 보상 함수에 통합함으로써 효과적인 변환 탐색을 가속화합니다. 또한, 참신성과 성능을 결합한 우선 순위 메모리 버퍼를 사용하여 중요한 경험을 효과적으로 재방문합니다. 실험 결과, FastFT는 복잡한 특징 변환 작업에서 우수한 성능, 효율성 및 추적성을 보여줍니다.
