因果马尔可夫边界
机器学习
2021-03-16 v1 机器学习
摘要
特征选择是机器学习中的一个重要问题,旨在选择能导出最优预测模型的变量。在本文中,我们关注从干预前变量对干预后结果进行预测的特征选择。我们的动机来自医疗健康场景,其目标通常是选择能使特定患者结果最大化的治疗;然而,我们往往没有足够的随机对照试验数据来良好地识别条件处理效应。我们展示了如何在两种情况下利用观测数据改进特征选择与效应估计:(a) 在已知因果图时利用观测数据,以及 (b) 在未知因果图但拥有观测与有限实验数据时。本文将对马尔可夫边界的概念推广到处理-结果对。我们为所引入的方法提供了理论保证。在模拟数据中,我们表明结合观测与实验数据可改进特征选择与效应估计。
引用
@article{arxiv.2103.07560,
title = {Causal Markov Boundaries},
author = {Sofia Triantafillou and Fattaneh Jabbari and Greg Cooper},
journal= {arXiv preprint arXiv:2103.07560},
year = {2021}
}