超越相关性：因果多视图无监督特征选择学习
机器学习
2025-11-19 v2
摘要
多视图无监督特征选择(MUFS)近年来因其在多视图无标签数据上的降维能力而受到越来越多的关注。现有MUFS方法通常通过捕捉特征与聚类标签之间的相关性来选择判别性特征。然而，一个重要且尚未充分探讨的问题仍然存在：\textit{这些相关性是否足以引导特征选择？}本文从因果视角分析MUFS，引入一种新型结构因果模型，揭示现有方法可能因忽视由混杂变量引起的伪相关而选择无关特征。基于此因果视角，我们提出一种新型MUFS方法，称为CAusal multi-view Unsupervised feature Selection leArning(CAUSA)。具体而言，我们首先采用一种广义无监督谱回归模型，通过捕捉特征与共识聚类标签之间的依赖关系来识别有信息的特征。随后，我们引入因果正则化模块，以自适应方式分离多视图数据中的混杂变量，并学习视图共享样本权重以平衡混杂变量的分布，从而缓解伪相关。随后，将其整合到统一的学习框架中，使CAUSA能够选择有因果信息的特征。全面实验表明，CAUSA优于多个最新方法。据我们了解，这是首次对因果多视图特征选择在无监督环境下的深入研究。
关键词
引用
@article{arxiv.2509.13763,
title = {Beyond Correlation: Causal Multi-View Unsupervised Feature Selection Learning},
author = {Zongxin Shen and Yanyong Huang and Bin Wang and Jinyuan Chang and Shiyu Liu and Tianrui Li},
journal= {arXiv preprint arXiv:2509.13763},
year = {2025}
}