特徴選択はNP困難な組合せ最適化問題であり、従来のアプローチではヒューリスティックや貪欲法を使用することが一般的ですが、これらは早期収束を招き、有用な特徴を見落とす可能性があります。特に高次元データセットでは、複雑で相互依存的な特徴の関係が広がります。本研究では、HeFS（ヘルパー強化特徴選択）フレームワークを導入し、既存アルゴリズムによって生成された特徴サブセットを洗練させる方法を提案します。HeFSは、残余の特徴空間を体系的に探索し、元のサブセットを補完するHelper Setを識別します。遺伝アルゴリズム内での偏った初期化と比率に基づいた突然変異機構を用い、パレートベースの多目的最適化を組み合わせて、予測精度と特徴の補完性を共同で最大化します。18のベンチマークデータセットにおける実験により、HeFSが見落とされた重要な特徴を一貫して特定し、最先端の手法に対して優れた性能を発揮することが示されました。