多任务反因果学习用于从居民报告中重建城市事件
机器学习
2026-03-13 v1
摘要
许多实际的机器学习任务属于反因果性质：需要从观察到的结果推断潜在原因。在实践中，我们常常面临多个相关任务，其中部分正向因果机制在不同任务之间保持不变，而其他组件则具有任务特定性。我们提出了多任务反因果学习（MTAC），该框架通过显式利用跨任务不变性来估计结果和混杂变量下的原因。MTAC首先进行因果发现，以学习共享因果图，然后实例化一种结构化的多任务结构方程模型（SEM），通过具有共享主干和任务特定头部的方式，将结果生成过程分解为（i）任务不变机制和（ii）任务特定机制。基于所学的前向模型，MTAC进行最大后验（MAP）推断，通过在所学因果结构下联合优化潜在机制变量和原因幅度来重建原因。在针对城市事件重建的应用中，spanning三个任务：停车违规、废弃物业和不卫生条件。我们在来自曼哈顿和纽ark市的真实数据上评估了MTAC，相对于强基准方法，MTAC在重建准确性上 consistently 获得了最高可达34.61%的平均绝对误差（MAE）降低，展示了在多个任务之间学习可迁移因果机制的优势。
引用
@article{arxiv.2603.11546,
title = {Multi-Task Anti-Causal Learning for Reconstructing Urban Events from Residents' Reports},
author = {Liangkai Zhou and Susu Xu and Shuqi Zhong and Shan Lin},
journal= {arXiv preprint arXiv:2603.11546},
year = {2026}
}