-
题名基于非稳态加性噪声模型的因果发现算法
被引量：1
- 1
-
-
作者
郝志峰
丁凯培
蔡瑞初
陈薇
-
机构
广东工业大学计算机学院
汕头大学理学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第4期78-86,共9页
-
基金
国家自然科学基金(61876043,61976052,62206064)
科技创新2030—“新一代人工智能”重大项目(2021ZD0111501)
国家优秀青年科学基金(62122022)。
-
文摘
因果发现旨在通过观测数据挖掘变量间的因果关系。现有的因果发现方法大多假定数据的产生过程是平稳的,然而在实际环境下往往不满足稳态假设,导致结果不可靠。研究发现,在一些场景中的非稳态扰动与时序信息高度相关。因此,在加性噪声模型基础上将非稳态扰动刻画为一项关于时序信息的函数,设计非稳态加性噪声模型,并给出非稳态加性噪声模型的识别条件,提出一种两阶段的因果关系学习算法。第1阶段利用回归计算得到变量残差,再检验残差与回归特征集的独立性从而选出叶子节点,迭代得到观测变量集的因果次序;第2阶段再次进行回归计算和独立性检验,消除第1阶段中冗余的因果关系,从而得到观测变量集的因果结构。实验结果表明,与基于约束的异构/非平稳因果发现、LPCMCI和Ti MINo算法相比,该算法在仿真数据集上取得了最优的效果,平均F1值达到0.85;而在真实因果结构数据集中,该算法的F1值平均提升41.12%,能够从非稳态数据集中恢复出更多因果结构的信息。
-
关键词
因果发现
因果结构
非稳态扰动
加性噪声模型
函数式因果模型
-
Keywords
causal discovery
causal structure
non-stationary disturbances
additive noise model
functional causal model
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名基于级联加性噪声模型的因果结构学习算法
被引量：2
- 2
-
-
作者
乔杰
蔡瑞初
郝志峰
-
机构
广东工业大学计算机学院
佛山科学技术学院数学与大数据学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第1期93-98,共6页
-
基金
国家自然科学基金(61876043,61976052)。
-
文摘
现有级联非线性加性噪声模型可解决隐藏中间变量的因果方向推断问题,然而对于包含隐变量和级联传递因果关系的因果网络学习存在全局结构搜索、等价类无法识别等问题。设计一种面向非时序观测数据的两阶段因果结构学习算法,第一阶段根据观测数据变量间的条件独立性,构建基本的因果网络骨架,第二阶段基于级联非线性加性噪声模型,通过比较骨架中每个相邻因果对在不同因果方向假设下的边缘似然度进行因果方向推断。实验结果表明,该算法在虚拟因果结构数据集的不同隐变量数量、平均入度、结构维度、样本数量下均表现突出,且在真实因果结构数据集中的F1值相比主流因果结构学习算法平均提升了51%,具有更高的准确率和更强的鲁棒性。
-
关键词
因果结构学习
加性噪声模型
级联加性噪声模型
因果发现
函数式因果模型
-
Keywords
causal structure learning
Additive Noise Model(ANM)
Cascade Additive Noise Model(CANM)
causal discovery
functional causal model
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名一种任意分布下的隐变量因果结构学习算法
被引量：1
- 3
-
-
作者
郝志峰
陈正鸣
谢峰
陈薇
蔡瑞初
-
机构
广东工业大学计算机学院
汕头大学理学院
北京大学数学科学学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第9期121-129,共9页
-
基金
国家自然科学基金(61876043,61976052)
中国博士后科学基金(2020M680225)。
-
文摘
因果发现旨在通过观测数据挖掘变量间的因果关系,在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息(如四分体约束)或引入非高斯假设(如三分体约束)来解决线性因果模型下的隐变量结构学习问题,但大多限定于分布明确的情况,而实际应用环境往往并不满足这种假设。给出任意分布下隐变量结构的识别性证明,指出在没有混淆因子影响的情况下,两个隐变量的因果方向可识别所需要的最小条件是仅需要其中一个隐变量的噪声服从非高斯分布。在此基础上,针对线性隐变量模型提出一种在任意分布下学习隐变量因果结构的算法,先利用四分体约束方法学习得到隐变量骨架图,再通过枚举骨架图的等价类并测量每一个等价类中的三分体约束来学习因果方向,同时将非高斯约束放宽到尽可能最小的变量子集,从而扩展线性隐变量模型的应用范围。实验结果表明,与MIMBuild和三分体约束方法相比,该算法得到了最佳的F1值,能够在任意分布下学习更多的隐变量因果结构信息,且具有更强的鲁棒性。
-
关键词
因果发现
因果结构
任意分布
隐变量
函数因果模型
-
Keywords
causal discovery
causal structure
arbitrary distribution
latent variable
functional-based causal model
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
