任务驱动的因果特征蒸馏：迈向可信的风险预测

由于人工智能最近在许多领域取得了巨大成功，引发了人们对其在可信且可解释的风险预测方面潜力的极大兴趣。然而，大多数模型缺乏因果推理能力且难以应对类别不平衡问题，导致精确率和召回率较低。为解决这一问题，我们提出了一种任务驱动的因果特征蒸馏模型（TDCFD），将原始特征值转换为针对特定风险预测任务的因果特征归因。因果特征归因有助于描述该特征的值对风险预测结果的贡献程度。在因果特征蒸馏之后，应用深度神经网络生成具有因果可解释性且高精确率/召回率的可信预测结果。我们在多个合成和真实数据集上评估了 TDCFD 方法的性能，结果表明其在精确率、召回率、可解释性和因果性方面均优于最先进的方法。