DRCFS: Doubly Robust Causal Feature Selection
DRCFS：双重稳健因果特征选择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：摘要明确以识别因果特征为目标，并提出双重稳健方法，直接对应因果推断。
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…
DRCFS：双重稳健因果特征选择
- 研究问题
- 在非线性、高维甚至图像数据中，如何识别与目标变量具有因果关联的特征，并使特征选择具有理论保障？
- 方法与思路
- 作者提出双重稳健特征选择方法 DRCFS，讨论其假设所需的必要条件，并在多类模拟及半合成数据上开展实验。
- 材料陈述的贡献
- 摘要称该方法具有理论保证，在所考察的复杂非线性和高维实验中，比现有方法更准确地选择稳健的因果特征。
- 阅读关注点
- 应核对因果特征的定义、双重稳健性对应的两个模型、识别假设及其必要条件，以及实验比较是否使用公平的调参方案。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明具体识别条件、保证形式和性能数值，不能据此确认普遍优势。
原文摘要
Knowing the features of a complex system that are highly relevant to a particular target variable is of fundamental interest in many areas of science. Existing approaches are often limited to linear settings, sometimes lack guarantees, and in most cases, do not scale to the problem at hand, in particular to images. We propose DRCFS, a doubly robust feature selection method for identifying the causal features even in nonlinear and high dimensional settings. We provide theoretical guarantees, illustrate necessary conditions for our assumptions, and perform extensive experiments across a wide range of simulated and semi-synthetic datasets. DRCFS significantly outperforms existing state-of-the-art methods, selecting robust features even in challenging highly non-linear and high-dimensional problems.