可解释AI中的因果发现：一种双编码方法
Causal Discovery for Explainable AI: A Dual-Encoding Approach
AI总结：
本文提出一种双编码方法，通过互补编码策略和多数投票融合，解决传统因果发现方法在处理分类变量时的数值不稳定问题，并在泰坦尼克号数据集上验证了方法的有效性。
摘要：
理解特征间的因果关系对于解释机器学习模型决策至关重要。然而，传统因果发现方法在处理分类变量时面临条件独立性测试的数值不稳定性问题。我们提出了一种双编码因果发现方法，通过互补编码策略和多数投票融合来解决这些限制。在泰坦尼克号数据集上的应用表明，该方法能够识别出与已建立的可解释方法一致的因果结构。
英文摘要：
Understanding causal relationships among features is fundamental for explaining machine learning model decisions. However, traditional causal discovery methods face challenges with categorical variables due to numerical instability in conditional independence testing. We propose a dual-encoding causal discovery approach that addresses these limitations by running constraint-based algorithms with complementary encoding strategies and merging results through majority voting. Applied to the Titanic dataset, our method identifies causal structures that align with established explainable methods.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
