我基本上是在寻找以下情况（故障诊断问题）的方法、模型、算法：

我有一个输入集$\{x_i\}_{i \in \{1..m\}}$和$n$案例的二进制特征（想想触发的“故障”或“警报”）和$k$类。每个案例$x_i$可以属于至少一个类，最多属于$k$（所以我正在处理多标签分类）。

现在数据集中的一些关系完全无聊/没有信息（比如，特征$a$说“发生机械错误”并贴上标签$b$表示“已修复机械错误”）。但更一般地说，每当$x_a = 1$，我看到各种标签，即$a$不是预测性的。换句话说，这种关系不是“功能性的”。

其他输入功能$c$可能具有更“功能性”的性质，因此无论何时$x_c = 1$, 我很容易推断$y_d = 1$.

例如，我的训练集可能如下所示：

$[0, 1,0] \mapsto \{4, 1\}$

$[0, 1,0] \mapsto \{2\}$

$[1, 0, 0] \mapsto \{1\}$

$[1, 0, 0] \mapsto \{1\}$

所以，知道$[0,1,0]$不是真正的信息，而$[1,0,0]$告诉我（非常有把握地）标签 1 处于活动状态。

我正在寻找后面的对，一个只提取有意义的对并忽略无信息输入的分类器。

你能给我指出相关的技术/关键词吗？非常感谢！