因果 vs. 逆因果预测器的合并
机器学习
2025-01-16 v1 人工智能
统计方法学
机器学习
摘要
我们研究在因果和逆因果方向上使用相同数据合并预测器所产生的差异。具体而言，我们研究了一个简单模型中的差异，其中将一个二进制变量作为目标，两个连续变量作为预测器进行合并。我们采用因果最大熵 (CMAXENT) 作为合并的诱导偏置，但我们期望即使使用其他考虑因果与效应之间不对称性的合并方法，也会产生类似的差异。我们表明，如果观察到所有二元分布，CMAXENT 解在因果方向上简化为逻辑回归，在逆因果方向上则简化为线性判别分析 (LDA)。此外，我们研究了当仅观察部分二元分布时，这两种解的决策边界如何不同，这涉及到对 Out-Of-Variable (OOV) 泛化的影响。
引用
@article{arxiv.2501.08426,
title = {Causal vs. Anticausal merging of predictors},
author = {Sergio Hernan Garrido Mejia and Patrick Blöbaum and Bernhard Schölkopf and Dominik Janzing},
journal= {arXiv preprint arXiv:2501.08426},
year = {2025}
}
备注
Presented at the 38th Conference on Neural Information Processing Systems (NeurIPS 2024)