基于神经网络的混合数据的因果发现

摘要：

因果推理正在成为机器学习领域一个越来越受关注的研究热点,现阶段的因果发现主要是在研究某一种假设条件下,基于纯粹的观测数据推断变量之间的因果方向.然而在现实世界中观察到的数据往往是由一些假设生成,使得传统因果推断方法的识别率不高、稳定性较差.针对当前的问题,提出了一种基于神经网络来解决混合数据因果推断的方法.该方法在混合加性噪声模型(ANM-MM)的假设下,使用梯度下降法最优化改进的损失函数得到混合数据的抽象因果分布参数,然后将分布参数看作是原因变量和结果变量之间的隐变量,通过比较原因变量和分布参数之间的HilberSchmidt独立性来确定二元变量的因果方向.在理论上证明了该方法的可行性,并通过实验表明该算法在人工数据和真实数据的表现较传统的IGCI,ANM,PNL,LiNGAM,SLOPE方法具有较好的准确率和稳定性.

关键词：神经网络、混合加性噪声、因果推断、梯度下降、HilberSchmidt独立性

所属期刊栏目：30

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;中央军委科技委创新特区项目;湖南省教育重点项目;湖南省自然科学基金资助项目

在线出版日期：2020-05-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：26-31