本研究提出了一种新方法，解决了有限样本下变量重要性度量的敏感性和不稳定性问题，从而增强了推断的稳健性和准确性。

本文汇总多项研究，聚焦特征选择与变量重要性，涵盖基于Hilbert-Schmidt准则的敏感特征识别、聚类有效性、条件预测影响、Jensen-Shannon散度稳定性度量、博弈论Shapley值、FAIR特征筛选、Spearman等级相关无监督过滤、聚类相似性校正及非参数推断框架等方法，并评估其性能。

本文提出了一种基于Shapley种群变量重要性度量的变量重要性估计器，通过随机采样减少计算复杂度，并证明了其在渐进意义下收敛的最佳速率，可以建立有效的置信区间和假设检验。在模拟实验和真实数据集上均表现出好的性能。