利用多任务反因果学习从居民报告中重建城市事件
Multi-Task Anti-Causal Learning for Reconstructing Urban Events from Residents' Reports
精选理由
利用跨任务机制，从居民报告更准确重建城市事件，误差最高降低33%
AI 摘要
arXiv:2603.11546v2 公告类型：替换 摘要：许多现实世界中的机器学习任务具有反因果性质：它们要求根据观测到的结果推断潜在原因。在实践中，我们经常面临多个相互关联的任务，其结构依赖关系由任务不变机制和任务特定机制共同构成。我们提出多任务反因果学习（MTAC），这是一种通过明确利用跨任务不变性，从结果和混杂因素中估计原因的框架。MTAC 学习结构方程模型（SEM），通过共享骨干网络和任务特定偏差，将结果生成过程分解为：（i）任务不变机制；（ii）任务特定机制。在所学习的前向模型基础上，MTAC 通过基于最大后验（MAP）的推断，在所学习的结构模型下联合优化潜在机制变量和原因强度，从而重建原因。我们在根据居民报告重建城市事件的应用场景中评估了 MTAC，涵盖三项任务：违规停车、废弃房产和不卫生状况。在从曼哈顿和纽瓦克收集的真实世界数据上，MTAC 始终优于强基线方法，提高了重建准确率，MAE 降幅最高达 33.04\%，展示了跨任务学习可迁移机制的优势。