Este artículo presenta MINERVA, un novedoso método supervisado de selección de características basado en la estimación neuronal de información mutua para modelar las relaciones entre características y objetivos. Dado que los filtros de características convencionales pueden fallar en objetivos que dependen de interacciones de características de orden superior en lugar de contribuciones individuales, realizamos la selección de características utilizando una función de pérdida cuidadosamente diseñada, aumentada con un término de regularización que induce escasez y una red neuronal para parametrizar la aproximación de la información mutua. MINERVA se implementa como un proceso de dos pasos para separar el aprendizaje de la representación y la selección de características, mejorando así el rendimiento de la generalización y representando con mayor precisión la importancia de las características. El método demuestra su capacidad para obtener resultados precisos mediante experimentos con conjuntos de datos de fraude sintéticos y reales.
