Aprendizaje de selección de características no supervisada consciente de la causalidad | JoVE Visualize

Área de la Ciencia:

Aprendizaje Automático
Inferencia Causal
Minería de Datos

Sus antecedentes:

La selección de características no supervisada (UFS) es crucial para datos de alta dimensionalidad sin etiquetar.
Los métodos UFS existentes a menudo ignoran las relaciones causales, lo que lleva a características irrelevantes y a una mala interpretabilidad.
Los métodos UFS basados en grafos tienen dificultades para diferenciar las características causales y no causales, creando grafos de similitud inexactos.

Objetivo del estudio:

Proponer un nuevo método UFS, Causally-Aware UnSupErvised Feature Selection learning (CAUSE-FS), que aborde las limitaciones de los enfoques existentes.
Mejorar la interpretabilidad y la eficacia de la selección de características en datos de alta dimensionalidad sin etiquetar aprovechando la inferencia causal.
Mejorar la construcción de grafos de similitud teniendo en cuenta los roles distintos de las características causales y no causales.

Principales métodos:

Se introdujo un regularizador causal para reponderar las muestras, equilibrando las distribuciones de confusión para las características de tratamiento.
Se integró el regularizador en un modelo generalizado de regresión espectral no supervisada para reducir las asociaciones espurias entre características y agrupaciones.
Se empleó la agrupación jerárquica guiada por causalidad para agrupar características por contribución causal y aprender adaptativamente grafos de similitud en múltiples granularidades.

Principales resultados:

CAUSE-FS demostró un rendimiento superior en comparación con los métodos UFS de última generación en experimentos exhaustivos.
El método mitiga eficazmente las asociaciones espurias entre las características y las etiquetas de agrupación, logrando una selección de características causales.
La interpretabilidad de las características seleccionadas se validó mediante técnicas de visualización.

Conclusiones:

CAUSE-FS ofrece un avance significativo en la selección de características no supervisada al integrar la inferencia causal.
El método propuesto mejora el análisis de datos al mejorar la relevancia de las características, la interpretabilidad y la fiabilidad de la construcción del grafo de similitud.
CAUSE-FS proporciona un marco sólido para descubrir las estructuras causales subyacentes en datos de alta dimensionalidad.