混合局部因果结构学习

摘要：

局部因果结构学习是发现和学习给定一个目标变量的直接原因和直接结果而无需学习一个完整因果网络的过程.目前已有算法通常由两个步骤完成:步骤1使用约束类算法利用独立性测试学习目标变量的马尔科夫毯(MB)或父子节点集(PC),但是该步骤由于受到有限的数据样本量等因素影响使得独立性测试存在一定的错误性,而导致该步骤精度通常不是很高;步骤2利用V结构及Meek规则来进行边的定向,但是该步骤由于极其依赖于V结构的发现且同样受到有限样本的影响,使得算法精度相对不是很高.基于上述问题,提出利用打分和限制相结合的混合方式来缓减有限样本问题且提高算法精度.步骤1通过在基于限制的算法中加入打分思想来提高数据有效性,进而提出SIAPC算法;步骤2通过利用PC算法得到的定向结果和对部分数据集打分得到的定向结果的交集来确定边的方向,以此来降低对V结构的依赖性且缓减有限样本问题,之后使用独立性测试修正边的定向结果来进一步提高算法精度,进而提出HLCS算法.在标准贝叶斯网络上,实验验证了该算法相对于已有算法在精度方面具有更好的性能且能够有效缓减数据效率问题.

关键词：贝叶斯网络、局部因果结构学习、马尔科夫毯(MB)、V结构

所属期刊栏目：15

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金;山西省重点研发项目;山西省1331工程项目;太原市小店科技局项目

在线出版日期：2021-04-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：754-765