因果不变性与反事实学习驱动的多标签分类合作游戏
机器学习
2025-12-02 v1 人工智能
摘要
多标签分类(MLC)面临标签不平衡、虚假关联及分布迁移等挑战，这些挑战尤其对稀有标签预测造成严重影响。为此，我们引入Causal Cooperative Game(CCG)框架，将MLC概念化为合作式多玩家互动。CCG统一了通过Neural结构方程模型进行的显式因果发现与反事实好奇心奖励，以驱动鲁棒特征学习。此外，它融合因果不变性损失以确保跨多样化环境的泛化，并配备针对稀有标签的专项增强策略。广泛基准测试表明，CCG在稀有标签预测及整体鲁棒性方面均显著优于强基线。通过严格的消融实验与定性分析，我们验证了各组件的有效性与可解释性，凸显了因果推断与合作博弈理论融合在推动多标签学习方面的潜力。
引用
@article{arxiv.2512.00812,
title = {Causal Invariance and Counterfactual Learning Driven Cooperative Game for Multi-Label Classification},
author = {Yijia Fan and Jusheng Zhang and Kaitong Cai and Jing Yang and Keze Wang},
journal= {arXiv preprint arXiv:2512.00812},
year = {2025}
}