Causal vs. Anticausal merging of predictors
因果方向与反因果方向下的预测器合并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：摘要聚焦一般分类预测器合并，未直接研究处理效应或所列经济计量细分问题。
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…
因果方向与反因果方向下的预测器合并
- 研究问题
- 利用同一组数据合并预测器时，因果方向与反因果方向的建模会产生怎样的分类边界差异和变量外泛化影响？
- 方法与思路
- 作者在一个二元目标、两个连续预测变量的简单模型中，以因果最大熵作为归纳偏置，比较不同双变量分布信息下的解。
- 材料陈述的贡献
- 摘要称观察全部双变量分布时，两个方向分别得到逻辑回归和线性判别分析，并研究信息不完整时的决策边界差异。
- 阅读关注点
- 应核对因果方向的设定、最大熵约束及解的推导，明确变量外泛化的含义，以及观察部分双变量分布时的比较范围。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；对其他合并方法的类似差异仅为作者预期，摘要未提供普遍证明。
原文摘要
We study the differences arising from merging predictors in the causal and anticausal directions using the same data. In particular we study the asymmetries that arise in a simple model where we merge the predictors using one binary variable as target and two continuous variables as predictors. We use Causal Maximum Entropy (CMAXENT) as inductive bias to merge the predictors, however, we expect similar differences to hold also when we use other merging methods that take into account asymmetries between cause and effect. We show that if we observe all bivariate distributions, the CMAXENT solution reduces to a logistic regression in the causal direction and Linear Discriminant Analysis (LDA) in the anticausal direction. Furthermore, we study how the decision boundaries of these two solutions differ whenever we observe only some of the bivariate distributions implications for Out-Of-Variable (OOV) generalisation.