引言
机器学习正在成为医疗保健领域越来越重要的技术手段。一些基于机器学习算法的人工智能系统在癌
症分类检测
［
］
、糖尿病视网膜病变检测
［
］
方面的水平已经接近甚至超过了人类专家。毫无疑问，人
工智能将重塑医学的未来。然而，目前已成功应用于医疗问题的机器学习方法仅基于关联而非因果关
系 。 在 统 计 学 中 ， 关 联 在 逻 辑 上 并 不 意 味 着 因 果 关 系
［
］
。 相 关 性 与 因 果 关 系 之 间 的 关 系 由
［
］
正式确定为共同原因原则，即如果两个随机变量 和 在统计上相互依赖，则必须
持有以下因果解释之一：① 是 的直接原因；②有一个随机变量 是 和 的共同原因。因此，与
关联相比，因果关系进一步探索了变量之间更本质的关系。
随着现代医学技术的飞速发展，针对患者采集的临床数据越来越多，这种增长对疾病预测模型的性能
以及检测效率均提出了巨大挑战。理论上使用的特征越多，模型训练效果越好，而在测试集中效果不
理想的现象可解释为非相关特征过度拟合，导致模型性能和泛化能力降低。但事实上，变量越多并不
意味着信息越有用，预测效果越好。因此，为了减小数据集规模、提高模型预测性能，减少特征数量
非常必要。在机器学习中，特征选择是获得良好预测效果的重要步骤之一。近年来，人们不仅对基于
信息选择特征进行预测感兴趣，还希望了解这些特征与研究目标的相互作用。在这种背景下，一些研
究者开发了一些理论，试图将图（）与因果关系的概念引入到特征选择中，目的是找到能够生
成数据的因果关系，以便更好地理解数据集的底层机制。以癌症为例，我们需要知道其是什么原因导
致的，需要使用哪些变量治愈。
相关研究
因果特征选择作为一种新兴的特征滤波方法，其为特征与类属性之间的关系提供了因果解释，从而更
好地理解数据背后的机制。与非因果特征选择相比，因果特征选择在理论上是最优的，回答了最优特
征选择包含哪些核心特征，以及特征滤波方法在什么条件下能够输出最优特征的问题。
传统的因果特征选择是在因果贝叶斯网络（ !"，）中寻找类属性的马
尔可夫毯（#"!$"，#），其中边 % 表示 为 的直接原因（父亲节点）， 为 的
直接结果（孩子节点）。目标变量（例如类标签）的 # 由父节点、子节点以及子节点的父节点（配
偶节点）构成。# 提供了围绕局部因果结构的完整结构，即 # 是最小的特征集，其使类属性在统
计上条件独立于所有的其他属性
［
&
］
。在该研究领域，'! 等
［
(
］
首先引入 # 进行特征选择，并提
出 '!)*（')）算法，但 ') 算法并不能保证找到真正的 #；#+ 等
［
,
］
设计了一
种 )（! +)"+）算法，可用于贝叶斯网络结构学习；-*.! 等
［
］
改良了 )
算 法 ， 并 提 出 一 系 列 用 于 最 优 特 征 选 择 的 # 发 现 算 法 ， 从 而 形 成 了 /0# （ /*
0!!.#）算法家族，包括 /0#、/0#、/0#1
［
］
和 2/0#
［
］
等；
!. 等
［
］
提出因果生成神经网络（ $ !" ，），利
用条件独立性和分布不对称性探索双变量和多变量的因果结构； ' 等
［
］
提出结构不可知
建模 （)0+!#!.+，)0#）方法，该法基于不同参与者之间的博弈，结合分
布估计、稀疏性和非循环性约束的学习准则，通过随机梯度下降方法进行端到端的参数学习。
本文参考文献［］［］的研究成果，提出一种基于生成神经网络和强化学习的因果特征选择和
预测模型，框架如图 所示。该模型包含一个因果门网络和一个因果预测网络，其中因果门网络输入
原始数据，输出选择因果概率，然后根据这些概率对选择向量进行采样；因果预测网络接收所选特征
并进行预测。两个网络基于真实标签进行反向传播的训练，然后从预测网络的损失中减去基线网络损
失，用于因果门网络的更新。
剩余11页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 4452
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
