본 논문은 기존 특징 선택 방법의 한계점인 복잡한 특징 상호작용 포착의 어려움과 다양한 시나리오에 대한 적응성 부족을 해결하기 위해 생성형 지능을 활용한 새로운 프레임워크를 제안합니다. 특히, 특징 부분집합을 순서에 무관하게 연속적인 공간에 임베딩하고, 볼록성 가정 없이 효과적으로 임베딩 공간을 탐색하는 데 중점을 둡니다. 이를 위해, 순서에 영향을 받지 않는 특징 부분집합 임베딩을 위한 인코더-디코더 패러다임과 유도점 메커니즘을 제안하고, 정책 기반 강화 학습을 통해 임베딩 공간을 효과적으로 탐색합니다. 실험 결과, 제안된 모델의 효율성, 강건성, 명시성 및 효과를 보여줍니다.
