SCITFS 将自适应冗余惩罚与自助法稳定性正则化合并为单一目标，在八个基准数据集上把 SVM 平均准确率提高 3.7%、随机森林提高 4.2%，同时减少 92.3% 的特征。
核心概要
该工作提出稳定性约束信息论特征选择（SCITFS），把条件熵、归一化互信息最大化与惩罚自助样本间特征排序方差的稳定性项整合进一个形式化目标，并用带单调性保证的贪心前向选择实现 O(B n^2 m d^4 + k n^2) 的计算复杂度；在八个基准数据集、五种分类器（SVM、随机森林、k-NN、XGBoost、逻辑回归）上，SCITFS 优于信息增益、互信息、mRMR、ReliefF、Fisher Score 与 JMI，SVM 平均准确率提升 3.7%、随机森林提升 4.2%，并实现 92.3% 的特征缩减而保持性能；Friedman 检验（χ² = 127.4，p < 0.001）与带 Bonferroni 校正的 Wilcoxon 符号秩检
深度剖析
SCITFS 把自适应冗余惩罚与基于自助法的稳定性正则化放进同一个形式化目标，并给出带单调性保证的贪心前向选择策略，计算复杂度为 O(B n^2 m d^4 + k n^2)。 传统信息论方法（互信息、mRMR）通常把相关性排序与稳定性处理分开，该工作将稳定性项直接写入目标函数，使排序方差成为可优化的组成部分。 文中给出目标函数的形式化定义、单调性保证与复杂度表达式，属于方法层面的论证；摘要未提供推导细节。
在八个基准数据集与五种分类器上，SCITFS 的准确率优于信息增益、互信息、mRMR、ReliefF、Fisher Score 与 JMI，SVM 平均提升 3.7%、随机森林平均提升 4.2%，同时减少 92.3% 的特征而保持性能。 相对既有信息论与过滤式基线，该工作同时报告了跨分类器的准确率增益与大幅特征缩减，而非只比较单一指标。 基于八个基准数据集、五种分类器的实验对比，并以 Friedman 检验（χ² = 127.4，p < 0.001）和带 Bonferroni 校正的 Wilcoxon 符号秩检验做统计验证。
在 100 次自助试验中，SCITFS 的特征排序一致性为 89.6%，高于 mRMR 的 67.4%，并与基于 Jensen–Shannon 散度的稳定性度量对比得到佐证。 该工作把排序稳定性作为可量化的评估维度，并给出与另一稳定性度量的交叉验证，而不只报告预测精度。 稳定性分析基于 100 次自助试验，并辅以与 Jensen–Shannon 散度稳定性度量的补充比较。
消融研究分离了目标函数各项的贡献，且 SCITFS 在特征噪声污染最高达 20% 时仍保持稳健。 通过消融把整体增益归因到具体目标项，并额外刻画噪声条件下的行为，超出仅报告端到端性能的做法。 消融实验与噪声污染实验在摘要中给出结论性描述，具体数值未在文本中展开。
启示与展望
该结果面向需要在噪声与冗余条件下稳定挑选特征的高维监督学习场景，适用于生物信息学、基因组学、网络安全、金融与高维模式识别等以表格型特征为主的任务。对实践者而言，它提供了一条把稳定性直接写入目标函数的路径，使特征排序在数据划分变化时更可复现，并可在保持性能的同时大幅压缩特征数量。方法以贪心前向选择实现，复杂度为 O(B n^2 m d^4 + k n^2)，因此其适用性取决于自助次数 B、样本量 n、特征数 m 与所选特征数 k 的相对规模。
当前可见文本为不完整的摘要式描述，未包含具体数据集名称、各基线的逐项数值、消融各项目标的独立贡献大小、噪声实验的完整曲线，以及 20% 污染之外的行为。读者若关心这些细节，需要查阅全文的表格与图。此外，稳定性优势目前主要与 mRMR 及一个 Jensen–Shannon 散度稳定性度量对比，其他稳定性导向方法是否呈现类似格局，仍是可继续观察的问题。