Modeling and Discovering Direct Causes for Predictive Models
预测模型直接原因的建模与发现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：摘要直接研究因果建模与直接原因发现，其因果对象明确是预测模型的输出。
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…
关注这篇论文的作者
预测模型直接原因的建模与发现
- 研究问题
- 如何为预测模型的输入输出行为建立因果表示，并从数据中识别哪些输入特征直接影响模型预测，以支持采集和评估？
- 方法与思路
- 作者提出描述预测模型行为的因果框架，在一定假设下给出可靠且完备的发现算法，并加入独立性规则加速搜索。
- 材料陈述的贡献
- 摘要称算法能够发现预测的直接原因，新增独立性规则的加速效果获得理论和实验证据，但未展开具体条件。
- 阅读关注点
- 应核对模型预测的直接原因如何定义、数据与干预信息如何获得，以及可靠性、完备性和独立性规则分别依赖哪些假设。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未列出算法假设，对模型输出的因果关系不能直接推广到现实结果。
原文摘要
We introduce a causal modeling framework that captures the input-output behavior of predictive models (e.g., machine learning models). The framework enables us to identify features that directly cause the predictions, which has broad implications for data collection and model evaluation. We then present sound and complete algorithms for discovering direct causes (from data) under some assumptions. Furthermore, we propose a novel independence rule that can be integrated with the algorithms to accelerate the discovery process, as we demonstrate both theoretically and empirically.