{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,5,24]]，“日期-时间”：“2024-05-24T17:32:13Z”，“时间戳”：1716571933965}，“参考-计数”：64，“出版商”：“计算机协会（ACM）”，“问题”：“4”，“资助者”：[{“名称”：“安徽省重点研发计划”，“奖项”：[“201904a05020073”]}，{“name”：“澳大利亚研究委员会发现（ARC）项目”，“adward”：[“DP170101306”]}，}“DOI”：“10.13039\/501100001809”，“name”:“中国国家自然科学基金会”，“DOI-asserted-by”：“crossref”，“award”：[”61876206“]}、{“name”：“中国国家重点研究与发展计划”，“deward”:[”2020AA0106100“]}、：“山西省智能信息处理重点实验室开放项目基金”，“奖项”：[“CICIP2020003”]}]，“内容域”：{“域”：[”dl.acm.org“]，“crossmark-restriction”：true}，“short-container-title“：[”acm Trans.Knowl.Discov.Data“]，”published-print“：{”date-parts“：[2021,8,31]]}，”abstract“：”在本文中，我们的目标是发展一种因果和非因果特征选择方法的统一观点。统一的观点将填补这两种方法之间关系研究的空白。基于贝叶斯网络框架和信息理论，我们首先证明了因果和非因果特征选择方法具有相同的目标。即找到类属性的马尔可夫覆盖层，即理论上用于分类的最佳特征集。然后，我们在搜索最优特征集时检查因果和非因果特征选择方法所做的假设，并通过将这些假设映射到所研究问题的贝叶斯网络模型结构的限制来统一这些假设。我们进一步详细分析了结构假设如何导致这些方法在搜索过程中使用不同级别的近似，从而导致这些方法所找到的特征集相对于最佳特征集的近似。有了统一的观点，我们可以从因果的角度解释非因果方法的输出，并推导出这两种方法的误差界。最后，我们通过对合成数据和各种类型的真实世界数据的广泛实验，对因果方法和非因果方法之间的关系进行了实际理解<\/jats:p>“，”DOI“：”10.1145\/3436891“，”type“：”journal-article“，”created“：{”date-parts“：[2021,4,18]]，”date-time“：”2021-04-18T16:05:45Z“，”timestamp“：1618761945000}，”page“：“标题”：[“因果特征选择与非因果特征选择的统一视图“]，”前缀“：”10.1145“，”卷“：”15“，”作者“：[{”给定“：”奎“，“家庭”：“余”，“序列”：“第一”，“隶属关系”：[{”名称“：”合肥理工大学“}]}，{”给出“：”林“，”家庭“：”刘“，”序列“：”附加“，”隶属关系“：[}”名称：“南澳大利亚大学，马森湖，阿德莱德，南澳大利亚州“}]}，{“given”：“Jiuyong”，“family”：“Li”，“sequence”：“additional”，“affiliation”：[{“name”：“南澳大利亚州，阿德雷德，马森湖区大学”}]}]，“member”：“320”，“published-on-line”：{“date-parts”：[2021,4,18]]}、“reference”：[}“key”：”e_1_2_1_1“，“volume-title”：“”《国际统计科学百科全书》，“作者”：“阿格雷斯蒂·艾伦”，“非结构化”：“艾伦·阿格雷斯蒂和玛丽亚·卡特里。2011.分类数据分析。在国际统计科学百科全书中。施普林格，206-208。Alan Agresti和Maria Kateri，2011年。分类数据分析。在国际统计科学百科全书中。Springer，206--208。“}，{”key“：”e_1_2_2_1“，”doi-asserted-by“：”publisher“，”doi“：”10.5555\/1756006.1756013“}”，{“key”：“e_2_3_1”，“volume-title”：“AMIA年度研讨会论文集”，“卷”：“2003”，“作者”：“Aliferis Constantin F”，“年份”：“03”，“非结构化”：“Constanting F。Aliferis、Ioannis Tsamardinos和Alexander Statnikov。2003 . HITON：一种用于最优变量选择的新型马尔可夫覆盖算法。AMIA年度研讨会论文集。2003年第卷。美国医学信息学协会，21。君士坦丁·阿里费利斯（Constantin F.Aliferis）、伊奥安尼斯·沙马尔蒂诺斯（Ioannis Tsamardinos）和亚历山大·斯坦尼科夫（Alexander Statnikov）。2003年。HITON：一种用于最优变量选择的新型马尔可夫覆盖算法。AMIA年度研讨会论文集。2003年第卷。美国医学信息学协会，21.“}，{”key“：”e_1_2_2_4_1“，”unstructured“：”Kevin Bache和Moshe Lichman，2013。UCI机器学习库。检索自http://\/archive.ics.uci.edu\/ml.Kevin Bache和Moshe Lichman。2013年，UCI机器学习库。检索自http:\/\/archive.ics.uci.edu\/ml.“｝，｛“key”：“e_1_2_5_1”，“doi断言者”：“publisher”，“doi”：“10.1109\/TPAMI.2010.62”｝，｛“key”：“e_1_2_6_1”，“doi断言者”：“publisher”，“doi”：“10.1109\/72.298224”｝，｛“key”：“e_1_2_7_1”，“卷标题”：“Cooper”，“作者”：“Beinlich Ingo A.”，“年份”：“1989”，“非结构化”：“Ingo A.Beinlich，Henri J。Suermondt、R.Martin Chavez和Gregory F。库珀。1989 . 报警监控系统：信念网络两种概率推理技术的案例研究。斯普林格。Ingo A.Beinlich、Henri J.Suermondt、R.Martin Chavez和Gregory F.Cooper。1989年，警报监测系统：信念网络两种概率推理技术的案例研究。斯普林格。“}，{”key“：”e_1_2_8_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1023\/A:1007612503587”}，“key”：“e_1_i_2_9_1”，“volume-title”：“第27届国际机器学习会议论文集.95--102”，“author”：“Bontempi Gianluca”，“unstructured”：“Gianluca-Bontempi and Patrick e.Meyer.2010。微阵列数据中的因果过滤器选择。在第27届国际机器学习大会论文集上。95--102 . Gianluca Bontempi和Patrick E.Meyer。2010年。微阵列数据中的因果过滤器选择。第27届机器学习国际会议论文集。95-102.“}，{”key“：”e_1_2_2_10_1“，”doi-asserted-by“：”publisher“，“doi”：“10.5555\/332706.3322714”}，“key”：“e_2_11_1”，“doi-assert-by”：“publisher”，”doi“：”10.5555\/2503308.2188387“}”，{008“}，{”key“：”e_1_2_2_13_1“，”volume-title“：”Thomas“，”author“：”Cover Thomas M“，”year“：”2012年”，“非结构化”：“托马斯·M·盖和乔伊·A。托马斯。2012 . 信息论要素。约翰·威利父子公司。托马斯·克文和乔伊·托马斯。2012.信息理论要素。约翰·威利父子公司。“}，{”key“：”e_1_2_14_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/S0004-3702（03）00079-1”}，“key”：“e_2_2_15_1”，“volume-title”：“信息传输：通信的统计理论”，“author”：“Fano R.M.”，”unstructured“：”R.M.Fano.1961。信息传播：传播统计理论。麻省理工学院出版社。R·M·法诺。1961.信息传输：通信统计理论。麻省理工学院出版社。“}，{”key“：”e_1_2_16_1“，”doi-asserted-by“：”publisher“，“doi”：“10.5555\/1005332.1044711”}，“key”：“e_1_i_2_17_1”，“doi-assert-by”：“publisher”，”doi“：”10.1023\/A:100746528199“}”，{：“傅顺凯和米歇尔·C。德斯马拉斯。2008 . 通过单程局部学习的快速马尔可夫覆盖发现算法。加拿大计算智能研究学会会议记录。施普林格，96-107。傅顺凯和米歇尔·德斯马拉斯。2008年，《通过单次通过内的局部学习实现快速马尔可夫覆盖发现算法》，《加拿大智能计算研究学会会议论文集》（the Proceedings of the Conference of the Canadian Society for Computational Studies of Intelligence）。Springer，96-107.“}，{”key“：”e_1_2_2_19_1“，”volume-title“：”统计模式识别简介“，”author“：”Fukunaga Keinosuke“，”unstructured“：”Keinosuka Fukunaga.2013。统计模式识别导论。学术出版社。福永敬之助。2013.统计模式识别简介。学术出版社。“}，{”key“：”e_1_2_20_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TCYB.2016.2539338”}，}，“key”：“e_1_i_2_1”，“volume-title”：“因果特征选择。特征选择的计算方法”，“author”：“Guyon Isabelle”，“unstructured”：“Isabelle-Guyon，Constantin Aliferis，and Andr\u00e9 Elisseeff.2007。因果特征选择。特征选择的计算方法，H.Liu和H.Motoda（编辑）。CRC出版社。伊莎贝尔·盖恩（Isabelle Guyon）、康斯坦丁·阿利费利斯（Constantin Aliferis）和安德烈·埃利塞夫（Andr \u00e9 Elisseeff）。2007.因果特征选择。特征选择的计算方法，H.Liu和H.Motoda（编辑）。CRC出版社。“}，{”key“：”e_1_2_22_1“，”volume-title“：”Mar“，“author”：“Guyon Isabelle”，“year”：“2003”，“unstructured”：“Isabelle-Guyon and Andr\u00e9 Elisseeff。2003。变量和特征选择简介。机器学习研究杂志3，3月（2003），1157-1182。伊莎贝尔·盖恩和安德烈·埃利塞夫。2003年，变量和特征选择简介。机器学习研究杂志3，3月（2003），1157--1182。“}，{“key”：“e_1_2_23_1”，“volume-title”：“特征提取简介。特征提取”，“author”：“Guyon Isabelle”，“unstructured”：“Isabelle-Guyon and Andr\u00e9 Elisseeff。2006。特征提取简介。特征提取。施普林格，1-25。伊莎贝尔·盖恩和安德烈·埃利塞夫。2006.特征提取简介。特征提取。Springer，1-25.“}，{”key“：”e_1_2_24_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TIT.1970.1054466”}，“key”：“e_1_i_2_25_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/S0004-3702（97）00043-X“}”，{“key“:”e_2_26_1“”，“volume-title”：“第十三届国际机器学习会议论文集”。284--292“，”作者：“Koller Daphne”，“年份”：“1995年”，“非结构化”：“Daphne Koller和Mehran Sahami。1995 . 朝向最佳特征选择。第13届国际机器学习会议论文集。284--292 . Daphne Koller和Mehran Sahami。1995.朝向最佳特征选择。第13届国际机器学习会议论文集。284--292.“｝，｛“key”：“e_1_2_27_1”，“doi由”：“publisher”断言，“doi”：“10.1214\/aoms\/117729694”｝，｛“key”：“e_1_2_28_1”，“doi由”：“publisher”断言，“doi”：“10.3115\/10755217.1075574”｝，｛“key”：“e_1_2_29_1”，“doi由”：“publisher”断言，“doi”：“10.1145\/2996357”｝，｛“key”：“e_1_2_30_1“，”doi由“：”publisher“断言，”doi“：”10.1007\/11744023_6“｝，｛”key“：”e_1_2_31_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TETCI.2020.2978238”}，{“key”：“e_1_i_2_32_32_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3335676“}，”{“key”：“e_1_2_33_1”、“volume-title”：“神经信息处理系统进展学报。505--511”，“author”：“Margaritis Dimitris”，《年份》：“2000”，“非结构化”：“迪米特里斯·马加里蒂斯和塞巴斯蒂安·特伦。2000 . 通过局部邻域进行贝叶斯网络归纳。神经信息处理系统进展论文集。505--511 . Dimitris Margaritis和Sebastian Thrun。2000.通过本地社区进行贝叶斯网络归纳。神经信息处理系统进展论文集。505--511.“}，{”key“：”e_1_2_34_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/JSTSP.2008.923858”}，}，“key”：“e_2_2_35_1”，“unstructured”：“Judea Pearl.2014。智能系统中的概率推理：合理推理网络。摩根·考夫曼。朱迪娅·珀尔。2014.智能系统中的概率推理：合理推理网络。摩根·考夫曼。“}，{”key“：”e_1_2_36_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/j.ijar.2006.06.008”}，“{”key“：“e_1_i_2_37_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TPAMI.2005.159“}”，{“key”：“e_i_2_38_1”、“doi-aserted-by-by”：“publisher”，”doi“：“10.1023\/A:1025667309714”}，{“键”：“e_1_2_39_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1109\/JPROC.20213058954“｝，｛“key”：“e_1_2_40_1”，“doi断言者”：“publisher”，“doi”：“10.1145\/584091584093”｝，｛“key”：“e_1_2_41_1”，“卷标题”：“神经信息处理系统进展论文集.4637-4645”，“作者”：“Shishkin Alexander”，“年份”：“2016”，“非结构化”：“亚历山大·希什金（Alexander Shishkin）、阿纳斯塔西亚·贝祖布茨娃（Anastasia Bezzubtseva）、阿列克谢·德鲁萨（Alexey Drutsa）、伊利亚·希什科夫（Ilia Shishkov）、叶卡捷琳娜·格拉德基克（Ekaterina Gladkikh）、格列布·。2016 . 基于条件互信息的高效高阶交互软件特征选择。神经信息处理系统进展论文集。4637--4645 . 亚历山大·希什金（Alexander Shishkin）、阿纳斯塔西亚·贝祖布茨娃（Anastasia Bezzubtseva）、阿列克谢·德鲁萨（Alexey Drutsa）、伊利亚·希什科夫（Ilia Shishkov）、叶卡捷琳娜·格拉德基克（Ekaterina Gladkikh）、格列布·古舍夫（Gleb Gusev）和帕维尔·谢尔久科夫（Pavel Serdyukov）。2016.基于条件互信息的高效高阶交互软件特征选择。神经信息处理系统进展论文集。4637--4645.“}，{”key“：”e_1_2_2_42_1“，”first page“：“1393”，”article-title“：”通过依赖最大化进行特征选择“，”volume“：13”，“author”：“宋乐”，“year”：“2012”，“unstructured”：“Le Song、Alex Smola、Arthur Gretton、Justin Bedo和Karsten Borgwardt。2012 . 通过相关性最大化进行特征选择。《机器学习研究杂志》13，47（2012），1393-1434。Le Song、Alex Smola、Arthur Gretton、Justin Bedo和Karsten Borgwardt。2012.通过依赖最大化进行特征选择。《机器学习研究杂志》13，47（2012），1393-1434.“，“Journal-title”：“机器学习研究期刊”}，{“key”：“e_1_2_43_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1109”\/TEVC.2020.2968743“}，”{“密钥”：“e_1_2_2_44_1”、“卷-标题”：“预测和搜索”，“作者”：“Spires Peter”，“非结构化”：“Peter Spires，Clark N。格雷莫和理查德·谢恩斯。2000.因果关系、预测和搜索。第81卷。麻省理工学院出版社。彼得·斯皮特斯（Peter Spirtes）、克拉克·格雷摩尔（Clark N.Glymour）和理查德·谢恩斯（Richard Scheines）。2000.因果关系、预测和搜索。第81卷。麻省理工学院出版社。“}，{”key“：”e_1_2_45_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TIT.1968.1054135”}“，{“key”：“e_1_i_2_46_1”，“volume-title”：“Aliferis”，“author”：“Tsamardinos Ioannis”，”year“：”2003“，”unstructured“：”Ioannis Tsamardinos和Constantin F。Aliferis。2003 . 面向原则性特征选择：相关性、过滤器和包装器。第九届人工智能与统计国际研讨会论文集。摩根考夫曼出版社。Ioannis Tsamardinos和Constantin F.Aliferis，2003年。有原则的功能选择：相关性、过滤器和包装器。第九届人工智能与统计国际研讨会论文集。摩根考夫曼出版社。“}，{”key“：”e_1_2_47_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/956750.956838”}，“key”：“e_1_i_2_48_1”，“volume-title”：“FLAIRS会议记录”，“卷”：“2”，“作者”：“Tsamardinos Ioannis”，“年份”：“2003”，“非结构化”：“Ioannis-Tamardinos，Constantin F.Aliferis，Alexander R。Statnikov和Er-Statnikov。2003 . 大规模马尔可夫覆盖发现算法。在FLAIRS会议记录中。第2卷。376-380之间。Ioannis Tsamardinos、Constantin F.Aliferis、Alexander R.Statnikov和Er Statnicov。2003年，大规模马尔可夫覆盖发现算法。在FLAIRS会议记录中。第2卷。376--380.“}，{”key“：”e_1_2_49_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/s10994-006-6889-7”}，“key”：“e_1_i_2_50_1”，“doi-assert-by”：“publisher”，”doi“：”10.1007\/s 00521-01368-0“}”，{238356“}，{”键“：”e_1_2_52_1“，”doi-asserted-by“：”出版商“，”doi“：”10.1016\/j.patcog.2015.11.007“}，{“key”：“e_1_2_53_1”，“doi-asserted-by”：“publisher”，”doi“：”10.4108\/icst.collaborationcom.2012.50689“}”，{”key“：”e_1_i_2_54_1“，”doi-assert-by“：”crossref“，“first page”：”227“，”doi:“10.1016\/j.ins.2019.09.10”“，”article-title“：”为特征选择高效发现马尔可夫覆盖层“，“作者”：“王浩”，“年份”：“2020年”，“非结构化”：“王浩、凌兆龙、奎瑜、吴新东。2020 . 致力于高效发现用于特征选择的马尔可夫覆盖层。信息科学5092020年1月，227--242。王浩、凌兆龙、余奎和吴新东。2020年。为特征选择高效发现马尔可夫覆盖层。信息科学509，January（2020），227--242.“，”journal-title“：”Information Sciences 509“}，{“key”：“e_1_2_55_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/TKDE.2017.2650906“}“，{”key“：”e_2_2_56_1“，“doiasserted-by“：”publisher“，：“神经信息处理系统进展论文集。687-693“，“作者”：“杨霍华德”，“年份”：“2000”，“非结构化”：“霍华德·杨华德和约翰·穆迪。2000 . 数据可视化和特征选择：非高斯数据的新算法。神经信息处理系统进展论文集。687--693 . 霍华德·华阳和约翰·穆迪。数据可视化和特征选择：非高斯数据的新算法。神经信息处理系统进展论文集。687--693.“}，{”key“：”e_1_2_2_59_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/ICDM.2005.134”}，“key”：“e_1_i_2_60_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3409382，{“key”：“e_1_2_62_1”，“首页”：“1205”，“文章标题”：“通过相关性和冗余分析进行高效特征选择”，“作者”：“于雷”，“年份”：“2004年”，“非结构化”：“雷雨和刘欢。2004 . 通过相关性和冗余分析进行有效的特征选择。机器学习研究杂志，2004年12月，1205-1224。雷宇和刘欢。2004.通过相关性和冗余分析进行有效的特征选择。机器学习研究杂志5，12月（2004），1205--1224.“，“Journal-title”：“The Journal of Machine Learning Research 5”}，{“key”：“e_1_2_2_63_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/MCI.2014.2326099“}，”{“key”：”e_1_i_2_64_1“，”doi-assert-by“：”publisher“，“，”卷时间“：”第32届神经信息处理系统国际会议论文集。9472-9483”，“作者”：“郑迅”，“非结构化”：“荀政，布莱恩·阿拉加姆，普拉迪普·拉维库玛，埃里克·邢。2018年，DAG with NO TEARS：持续优化结构学习。第32届神经信息处理系统国际会议论文集。9472--9483 . Xun Zheng、Bryon Aragam、Pradeep K.Ravikumar和Eric P.Xing。2018年，DAG with NO TEARS：持续优化结构学习。第32届神经信息处理系统国际会议论文集。9472--9483.“}]，”container-title“：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3436891“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“deposed”：{“date-parts”：[2023,1]]，“日期时间”：“2023-01-01T21:34:21Z“，”timestamp“：1672608861000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3436891”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2021,4,18]]}，‘references-count’：64，‘journal-sissue’：{‘issue'：“4”，‘published-print’：parts“：[[2021,8,31]]}}，”alternative-id“：[”10.1145\/3436891“]，”URL“：”http:\/\/dx.doi.org\/10.1145\/3436891“，”关系“：{}，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN-type“：[{”值“：“1556-4681'，”类型“：”打印“}，{”价值“：”1556-47 2X“，”类型”：“电子”}]，”主题“：[]，”已发布“：{”日期部分“：[2021,4,18]]}，“断言”：[{“价值”：“201 9-08-01“，”订单“：0，”名称“：”已接收“，”标签“：”接收“，“组”：{“名称”：“publication_history“，”label“：”publication history“}}，”value“：”2020-11-01“，”order“：1，”name“：”accepted“，”tabel“：“accepted”，“group”：{“name”：“publication_history”，“label”：“publication-history”}，{“value”：“2021-04-18”，”orders“：2，”name：“published”，”label:“published”，”group“：