多标签因果变量发现：学习公共因果变量与标签特定因果变量
机器学习
2020-11-10 v1 人工智能
信息论
math.IT
摘要
马尔可夫边界（MB）中的因果变量已广泛应用于大量单标签任务中。然而，由于多标签数据中因果关系复杂，鲜有研究关注多标签数据中的因果变量发现。由于多标签场景中的某些变量可能包含关于多个标签的因果信息，本文研究了多标签因果变量发现问题，并区分由多个标签共享的公共因果变量与关联于某些单标签的标签特定因果变量。考虑到非正联合概率分布下的多个MB，我们探究了公共因果变量与等价信息现象之间的关系，发现其解受到等价信息的影响，且在存在或不存在标签因果性的不同机制下表现不同。通过分析这些机制，我们给出了公共因果变量的理论性质，并据此设计了发现与区分算法以识别这两类变量。与单标签问题类似，多标签的因果变量也具有广泛的应用前景。为证明这一点，我们将所提出的因果机制应用于多标签特征选择，并给出了一种可解释算法，该算法被证明能达到最小冗余与最大相关。大量实验证明了这些贡献的有效性。
引用
@article{arxiv.2011.04176,
title = {Multi-label Causal Variable Discovery: Learning Common Causal Variables and Label-specific Causal Variables},
author = {Xingyu Wu and Bingbing Jiang and Yan Zhong and Huanhuan Chen},
journal= {arXiv preprint arXiv:2011.04176},
year = {2020}
}