Resumen: La ingeniería de funciones automatizada (AFE) permite a los sistemas de inteligencia artificial construir de forma autónoma representaciones de alta utilidad a partir de datos tabulares sin procesar. Sin embargo, los métodos AFE existentes se basan en heurísticas estadísticas, lo que genera características frágiles que fallan bajo el cambio de distribución. Presentamos CAFE, un marco que reformula AFE como un proceso de decisión secuencial guiado causalmente, uniendo el descubrimiento causal con la construcción de características impulsadas por el aprendizaje por refuerzo. La fase I aprende un gráfico acíclico dirigido disperso sobre las características y el objetivo para obtener antecedentes causales suaves, agrupando las características como directas, indirectas u otras en función de su influencia causal con respecto al objetivo. La Fase II utiliza una arquitectura de Q-learning profundo de múltiples agentes en cascada para seleccionar grupos causales y operadores de transformación, con configuración de recompensa jerárquica y estrategias de exploración causal a nivel de grupo que favorecen transformaciones causalmente plausibles mientras controlan la complejidad de las características. A través de 15 puntos de referencia públicos (clasificación con macro-F1; regresión con error absoluto relativo inverso), CAFE logra una mejora de hasta un 7 % con respecto a las sólidas bases de referencia de AFE, reduce los episodios hasta la convergencia y ofrece un tiempo de cumplimiento de objetivos competitivo. Bajo cambios de covariables controlados, CAFE reduce la caída del rendimiento en aproximadamente 4 veces en relación con una línea de base multiagente no causal y produce conjuntos de características más compactos con atribuciones post hoc más estables. Estos hallazgos subrayan que la estructura causal, utilizada como un previo inductivo suave en lugar de una restricción rígida, puede mejorar sustancialmente la solidez y eficiencia de la ingeniería de características automatizada.
Publicado originalmente en export.arxiv.org el 18 de febrero de 2026.
Ver fuente original
