CCNETS：面向不平衡数据集模式识别的模块化因果学习框架
机器学习
2026-05-05 v4
摘要
处理类别不平衡仍然是机器学习中的核心挑战，尤其是在识别罕见但关键异常至关重要的模式识别任务中。传统生成模型通常将数据合成与分类解耦，导致分布不匹配，限制了其实际效益。为解决这些不足，我们引入了因果协同网络（CCNETS），这是一个在生成、推理和重构之间建立功能性因果联系的模块化框架。CCNETS 由三个专门的协同模块组成：用于潜在特征抽象的 Explainer、用于概率标签预测的 Reasoner 和用于上下文感知数据合成的 Producer。这些组件通过动态因果反馈回路交互，其中分类结果直接指导目标样本合成，以自适应地强化脆弱的决策边界。一项关键创新是我们提出的 Zoint 机制，它能够自适应融合潜在特征与可观测特征，增强语义丰富性和不确定性下的决策鲁棒性。我们在两个不同的真实世界数据集上评估了 CCNETS：信用卡欺诈检测数据集（极端不平衡，欺诈率 < 0.2%）和 AI4I 2020 预测性维护数据集（故障率 < 4%）。在全面的实验设置中，CCNETS 始终优于基线方法，取得了更优的 F1 分数和 AUPRC。此外，CCNETS 合成的数据在有限数据条件下展现出更强的泛化能力和学习稳定性。这些结果确立了 CCNETS 作为一个可扩展、可解释的混合软计算框架，能够有效对齐合成数据与分类器目标，推动鲁棒的不平衡学习。
引用
@article{arxiv.2401.04139,
title = {CCNETS: A Modular Causal Learning Framework for Pattern Recognition in Imbalanced Datasets},
author = {Hanbeot Park and Yunjeong Cho and Hunhee Kim},
journal= {arXiv preprint arXiv:2401.04139},
year = {2026}
}
备注
45 pages, 12 figures, Hunhee Kim is Corresponding Author