Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
自适应机器学习中的多变量因果自标注及量化分析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：摘要关注因果知识辅助的机器学习自标注，未明确研究计量因果效应识别，故不足以归入所给领域细分。
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
自适应机器学习中的多变量因果自标注及量化分析
- 研究问题
- 基于交互因果关系的自标注如何适用于多变量因果图，辅助模型的不理想表现又会怎样影响部署后的模型适应？
- 方法与思路
- 作者用四种基本因果关系扩展自标注框架，分析交互时间模型与效应状态检测器的性能影响，并开展因果图模拟。
- 材料陈述的贡献
- 摘要称，研究完善了多变量自标注框架及理论基础，量化两类辅助模型的性能影响，并用模拟实验支持所提理论。
- 阅读关注点
- 核对因果图与交互时间知识从何获得、四类关系的适用范围，以及辅助模型误差如何传导至标签和适应效果。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明因果关系识别条件，也未展示真实部署中的误差与稳健性。
原文摘要
Adaptive machine learning (ML) aims to allow ML models to adapt to ever-changing environments with potential concept drift after model deployment. Traditionally, adaptive ML requires a new dataset to be manually labeled to tailor deployed models to altered data distributions. Recently, an interactive causality based self-labeling method was proposed to autonomously associate causally related data streams for domain adaptation, showing promising results compared to traditional feature similarity-based semi-supervised learning. Several unanswered research questions remain, including self-labeling's compatibility with multivariate causality and the quantitative analysis of the auxiliary models used in the self-labeling. The auxiliary models, the interaction time model (ITM) and the effect state detector (ESD), are vital to the success of self-labeling. This paper further develops the self-labeling framework and its theoretical foundations to address these research questions. A framework for the application of self-labeling to multivariate causal graphs is proposed using four basic causal relationships, and the impact of non-ideal ITM and ESD performance is analyzed. A simulated experiment is conducted based on a multivariate causal graph, validating the proposed theory.