특징 순위(Feature rankings)는 단순하고, 확장 가능하며, 해석하기 쉽기 때문에 지도 학습 기반의 특징 선택(supervised feature selection)에서 널리 사용됩니다. 변수들은 먼저 관련성 점수(relevance score)에 따라 순위가 매겨지며, 그 후 상위 순위의 변수들을 유지함으로써 부분 집합(subset)을 얻습니다. 첫 번째 단계는 광범위하게 연구되어 왔지만, 두 번째 단계는 직접적인 해석 없이 임의의 카디널리티(cardinality), 경험적 임계값(empirical threshold) 또는 교차 검증(cross-validation)에 의해 결정되는 경우가 많습니다. 이는 다음과 같은 근본적인 질문을 제기합니다: 특징 순위가 주어졌을 때, 특징 선택을 중단할 만큼 충분한 클래스 분리 증거(class-separation evidence)가 축적된 시점은 언제인가? 본 논문은 명시적인 위험 보정 정지 규칙(risk-calibrated stopping rule)을 통해 지도 학습 기반의 특징 순위를 클래스 독립적 부분 집합으로 변환하기 위한 분포 프레임워크(distributional framework)를 개발합니다. 각 변수와 각 클래스 쌍에 대해, 해당 클래스 조건부 분포(class-conditional distributions) 사이의 바타차야 계수(Bhattacharyya coefficient)를 통해 주변 분리도(marginal separation)를 측정합니다. 제안된 방법은 모든 관련 클래스 대비(class contrast)에 대해 잔차 곱 중첩(residual product overlap)이 규정된 임계값 미만으로 떨어지는 순위의 가장 짧은 접두사(prefix)를 유지함으로써, 모든 클래스가 공유하는 단일 전역 부분 집합(global subset)을 선택합니다. 우리는 레이블된 곱 주변 문제(labelled product marginal problem)에 대한 이진 및 다중 클래스 베이즈 위험 경계(Bayes-risk bounds)를 도출하며, 목표하는 모든 쌍 위험 수준(all-pairs risk level)으로부터 잔차-중첩 임계값의 사전 확률 의존적(prior-dependent) 및 사전 확률 독립적(prior-free) 보정(calibration)을 얻습니다. 고차원 유전체 데이터셋에 대한 경험적 비교를 통해, 이 규칙이 모든 특징 기준선(all-features baseline)과 통계적으로 유사한 예측 성능을 유지하면서 수만 개의 변수를 수십 개로 줄일 수 있음을 보여줍니다. 정지 규칙은 1차원 주변 중첩 추정치(one-dimensional marginal overlap estimates)만을 필요로 하고 미리 계산된 순위를 스캔하기 때문에, 철저한 부분 집합 탐색이 불가능하고 특징 순위의 해석 가능한 절단(interpretable truncation)이 필수적인 매우 고차원적인 환경에 매우 적합합니다.