Ca-MCF：基于类别级多标签因果特征选择
机器学习
2026-02-16 v1
摘要
多标签因果特征选择近年来受到广泛关注。然而，当前方法主要在标签层面 operate， treats each label variable as a monolithic entity，忽略了单个类别独特的因果机制。为此，我们提出一种名为 Ca-MCF 的类别级多标签因果特征选择方法。Ca-MCF 利用标签类别展平将标签变量分解为具体类别节点，从而实现对标签空间内因果结构的精确建模。进一步引入基于解释竞争的类别感知恢复机制，利用提出的特定类别特异互信息（SCSMI）和 distinct 类别特异互信息（DCSMI）来拯救因标签相关性掩盖的因果特征。该方法还包含结构对称性检查和跨维冗余删除，以确保所识别 Markov 带的稳健性和紧凑性。在七个真实数据集上的大量实验表明，Ca-MCF 在多个基准任务上均显著优于最先进的基准方法，实现了更高的预测准确率和更低的特征维度。
引用
@article{arxiv.2602.12961,
title = {Ca-MCF: Category-level Multi-label Causal Feature selection},
author = {Wanfu Gao and Yanan Wang and Yonghao Li},
journal= {arXiv preprint arXiv:2602.12961},
year = {2026}
}
备注
16 pages, 5 figures. Includes appendices