LLM-FS: отбор признаков через статистику вместо данных

Классические методы отбора признаков (Chi-Square, ANOVA) работают как чёрный ящик — выдают числа важности, но не объясняют почему столбец "энтропия секций" важнее "размера файла". LLM-FS решает ту же задачу отбора, но добавляет слой понимания: метод позволяет не только выбрать топ-N признаков, но и получить объяснение почему каждый из них важен для задачи. Фишка: LLM получает не сырые данные из тысяч строк, а только статистическое описание столбца — среднее, разброс, разница между группами. Модель оценивает важность через семантическое знание из предобучения: она "знает" что энтропия связана с упаковкой малвари, а частота импортов — с поведением программы. Результаты на уровне классики, но с бонусом интерпретируемости.