論文の概要: Beyond Correlation: Causal Multi-View Unsupervised Feature Selection Learning

• arxiv url: http://arxiv.org/abs/2509.13763v1
• Date: Wed, 17 Sep 2025 07:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.758054
• Title: Beyond Correlation: Causal Multi-View Unsupervised Feature Selection Learning
• Title（参考訳）: 相関を超えて: 因果多視点教師なし特徴選択学習
• Authors: Zongxin Shen, Yanyong Huang, Bin Wang, Jinyuan Chang, Shiyu Liu, Tianrui Li,
• Abstract要約: マルチビュー非教師付き特徴選択(MUFS)は、最近、ラベルなしデータに対する次元性低減の有望な能力に注目が集まっている。 既存のMUFSメソッドは、通常、特徴とクラスタリングラベルの相関を捉えて識別的特徴を選択する。 提案手法は,共同設立者による急激な相関を見落としているため,既存の手法が無関係な特徴を選択できることを示す新しい構造因果モデルを提案する。
• 参考スコア（独自算出の注目度）: 14.848818417654316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view unsupervised feature selection (MUFS) has recently received increasing attention for its promising ability in dimensionality reduction on multi-view unlabeled data. Existing MUFS methods typically select discriminative features by capturing correlations between features and clustering labels. However, an important yet underexplored question remains: \textit{Are such correlations sufficiently reliable to guide feature selection?} In this paper, we analyze MUFS from a causal perspective by introducing a novel structural causal model, which reveals that existing methods may select irrelevant features because they overlook spurious correlations caused by confounders. Building on this causal perspective, we propose a novel MUFS method called CAusal multi-view Unsupervised feature Selection leArning (CAUSA). Specifically, we first employ a generalized unsupervised spectral regression model that identifies informative features by capturing dependencies between features and consensus clustering labels. We then introduce a causal regularization module that can adaptively separate confounders from multi-view data and simultaneously learn view-shared sample weights to balance confounder distributions, thereby mitigating spurious correlations. Thereafter, integrating both into a unified learning framework enables CAUSA to select causally informative features. Comprehensive experiments demonstrate that CAUSA outperforms several state-of-the-art methods. To our knowledge, this is the first in-depth study of causal multi-view feature selection in the unsupervised setting.
• Abstract（参考訳）: マルチビュー・アン教師付き特徴選択(MUFS)は、最近、マルチビュー・アンラベルデータにおける次元性低減の有望な能力に注目が集まっている。 既存のMUFSメソッドは、通常、特徴とクラスタリングラベルの相関を捉えて識別的特徴を選択する。 しかし、重要な未発見の疑問が残る: \textit{Are such correlations enough reliables to guide feature selection? 本稿では, MUFSを因果的観点から解析し, 既存の手法では, 共同設立者が引き起こす急激な相関を見落としているため, 関連性のない特徴を選択できることを示す。 この因果的観点から、我々はCAUSA(CAusal multi-view Unsupervised feature Selection leArning)と呼ばれる新しいMUFS手法を提案する。 具体的には、まず、特徴とコンセンサスクラスタリングラベル間の依存関係をキャプチャすることで、情報的特徴を識別する、一般化されていないスペクトル回帰モデルを用いる。 次に、多視点データから共同創設者を適応的に分離し、同時に視点共有されたサンプル重み付けを学習し、共同創設者分布のバランスをとるための因果正規化モジュールを導入し、その結果、突発的な相関を緩和する。 その後、両者を統合学習フレームワークに統合することで、CAUSAは因果的情報的特徴を選択できる。 総合的な実験により、CAUSAはいくつかの最先端の手法より優れていることが示された。 我々の知る限り、これは教師なし環境における因果多視点特徴選択の詳細な研究としては初めてのものである。

関連論文リスト

• TRUST-FS: Tensorized Reliable Unsupervised Multi-View Feature Selection for Incomplete Data [15.2618846897032]
  近年,Multi-view unsupervised feature selection (MUFS)が研究の関心を集めている。 不完全なマルチビューデータの既存のメソッドは、欠落したビューの処理に限られており、欠落した変数のより一般的なシナリオに対処できない。 TRUSTFS(Reliable Unview Feature Selection)と呼ばれる不完全なマルチビューデータに対する新しいMUFS手法を提案する。 TrustFSは、統合因数分解フレームワーク内で、機能選択、欠落した命令、およびビューウェイトラーニングを同時に実行する。
  論文  参考訳（メタデータ） (2025-09-16T15:54:15Z)
• Causally-Aware Unsupervised Feature Selection Learning [15.20376149047008]
  非教師なし特徴選択(UFS)は、最近、ラベルなし高次元データの処理に有効であるとして注目されている。 従来のグラフベースの手法では、類似性グラフの構築において、非因果的特徴と因果的特徴の異なる影響を考慮できない。 Causally-Aware UnSupErvised Feature Selection Learning (CAUSE-FS)と呼ばれる新しいUFS法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T04:41:38Z)
• Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection [25.195711274756334]
  適応的協調相関 lEarning-based Semi-Supervised Multi-label Feature Selection (Access-MFS) 法を提案する。 具体的には、拡張された非相関制約を備えた一般化回帰モデルを導入し、識別的かつ無関係な特徴を選択する。 相関インスタンスとラベル相関を提案回帰モデルに統合し,サンプル類似度グラフとラベル類似度グラフの両方を適応的に学習する。
  論文  参考訳（メタデータ） (2024-06-18T01:47:38Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。