基于正交搜索的因果特征选择
机器学习
2022-09-20 v3 机器学习
统计理论
统计理论
摘要
在众多学科中，从大量解释变量中推断响应变量的直接因果父节点这一问题具有极高的实际重要性。然而，既有方法通常至少随解释变量数量呈指数级扩展，难以扩展到非线性关系，且难以扩展到循环数据。受去偏 (Debiased) 机器学习方法的启发，我们研究了一种一对余 (one-vs.-the-rest) 特征选择方法来发现响应的直接因果父节点。我们提出了一种适用于纯观测数据且提供理论保证的算法，包括可能存在循环的部分非线性关系情形。由于每个变量仅需一次估计，我们的方法甚至可应用于大型图。我们展示了相较既有方法的显著改进。
引用
@article{arxiv.2007.02938,
title = {Causal Feature Selection via Orthogonal Search},
author = {Ashkan Soleymani and Anant Raj and Stefan Bauer and Bernhard Schölkopf and Michel Besserve},
journal= {arXiv preprint arXiv:2007.02938},
year = {2022}
}