两种基于条件独立性测试的高维数据因果关系推断算法的比较

详细信息    查看全文 | 推荐本文 |

	作者：洪英汉 ; 夏文栋 ; 郭才 关键词：高维数据 ; 因果关系推断 ; 维度约简 ; 网络分区 中文刊名：KJSJ 英文刊名：Science & Technology Vision 机构：广东工业大学计算学院;韩山师范学院物理与电子工程学院;嘉应学院计算机学院;韩山师范学院网络与教育技术中心; 出版日期：2019-01-05 出版单位：科技视界 年：2019 期：No.259 基金：广东省科技计划项目(2013B040500010),(2015B090922014),(2017A040405063) 语种：中文; 页：KJSJ201901049 页数：2 CN：01 ISSN：31-2065/N 分类号：121-122

摘要

机器直觉推理与因果模型的研究是AI基础理论体系的重要组成部分之一。针对目前因果关系推断在高维数据情况下,传统的基于条件独立性测试出现消耗时间多和准确率差等现象。本文对两种基于条件独立性测试的高维数据因果关系推断算法进行比较:一种是通过降低条件集维度的方法、另外一种是构建粗糙网络及分裂-合并策略方法,每个算法都有其优缺点。通过分析总结,在今后的工作中,可以根据实际情况选择合适的方法来解决高维数据因果关系推断问题。
        

引文

[1] https://baijiahao. baidu. com/s? id=1589723721812697687&wfr=spider&for=pc.
    [2]金洲.基于约束学习的观测数据因果关系发现研究[D].合肥:中国科学技术大学, 2014.
    [3] Y Hong, Z Liu, G Mai. An efficient algorithm for large-scale causal discovery[J]. Soft Computing, 2016, 21(24):1-11.
    [4] Yinghan Hong, Zhifeng Hao, Guizhen Mai, Bingfeng Chen,Rui Xie. An Approach for Inferring Causal Directions fromMulti-dimensional Networks. 2017 IEEE International Conferenceon Computational Science&Engineering. 2017:388-392.
    [5]洪英汉.一种快速因果网络骨架学习算法.南京理工大学学报(自然科学版). 2016, 40(3):315-321.