Causal Discovery and Classification Using Lempel-Ziv Complexity
利用 Lempel–Ziv 复杂度开展因果发现与分类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以因果关系发现、因果度量及变量因果强度为目标，因而归入因果推断，但其因果解释仍需核对。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用 Lempel–Ziv 复杂度开展因果发现与分类
- 研究问题
- 能否通过序列复杂度构造因果度量和距离指标，用于决策树特征分裂，并识别对分类结果具有主要作用的变量？
- 方法与思路
- 作者从 Lempel–Ziv 复杂度导出因果度量与距离，分别构造决策树分裂规则，并依据特征使用情况定义因果强度。
- 材料陈述的贡献
- 摘要称，两类方法总体分类表现与传统决策树相近，而因果度量树在由因果模型生成的数据上表现更好。
- 阅读关注点
- 应核对复杂度编码、因果方向判定与识别依据，尤其检查混杂、变量尺度及数据生成方式是否影响所谓因果强度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明因果识别条件，分类表现改善本身不足以验证因果关系。
原文摘要
Inferring causal relationships in the decision-making processes of machine learning algorithms is a crucial step toward achieving explainable Artificial Intelligence (AI). In this research, we introduce a novel causality measure and a distance metric derived from Lempel-Ziv (LZ) complexity. We explore how the proposed causality measure can be used in decision trees by enabling splits based on features that most strongly \textit{cause} the outcome. We further evaluate the effectiveness of the causality-based decision tree and the distance-based decision tree in comparison to a traditional decision tree using Gini impurity. While the proposed methods demonstrate comparable classification performance overall, the causality-based decision tree significantly outperforms both the distance-based decision tree and the Gini-based decision tree on datasets generated from causal models. This result indicates that the proposed approach can capture insights beyond those of classical decision trees, especially in causally structured data. Based on the features used in the LZ causal measure based decision tree, we introduce a causal strength for each features in the dataset so as to infer the predominant causal variables for the occurrence of the outcome.