LiNGAM模型的剪枝算法研究.pdf

1、如何有效挖掘數(shù)據(jù)中蘊含的因果關(guān)系是自然科學研究的基礎(chǔ)問題。統(tǒng)計學中變量之間的相關(guān)性不等于因果關(guān)系。變量之間的因果關(guān)系應(yīng)當具有可預(yù)測性，可解釋性，以及可干預(yù)性等特征。Pearl等人在貝葉斯網(wǎng)的理論基礎(chǔ)上，通過附加因果馬爾科夫等假設(shè)提出了因果模型的基礎(chǔ)理論。該因果模型采用有向無環(huán)圖來直觀地描述，并采用貝葉斯網(wǎng)絡(luò)作為基本的推理工具。在貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習之后，因果結(jié)構(gòu)學習與推斷成為近年來新的研究熱點。
　　因果結(jié)構(gòu)學習與貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習

2、均是從觀察數(shù)據(jù)中去尋找一組變量的結(jié)構(gòu)，但是因果結(jié)構(gòu)學習得到的是變量之間的因果關(guān)系，而不僅是相關(guān)性。因果結(jié)構(gòu)學習中一個基本的問題是因果關(guān)系的可識別性。近年來，Shimizu等人提出的LiNGAM模型與Hoyer等人提出的加噪因果模型表明，噪音的分布與變量關(guān)系的非線性等特征為因果關(guān)系方向的識別提供了重要依據(jù)?；诖?，因果結(jié)構(gòu)學習可分為判斷是否存在因果關(guān)系與識別因果關(guān)系的方向兩個基本問題。
　　LiNGAM算法是Shimizu等人提出的

3、線性非高斯因果模型LiNGAM模型經(jīng)典的結(jié)構(gòu)學習算法，適用于變量數(shù)目不多且樣本數(shù)目充足的因果結(jié)構(gòu)學習。然而本文發(fā)現(xiàn)LiNGAM算法所采取的剪枝策略僅依據(jù)假設(shè)檢驗等統(tǒng)計學理論，并未考慮到馬爾科夫條件這個因果模型的基本假設(shè)，并且存在時間復(fù)雜度高，在稀疏圖上剪枝準確率相對較低的問題。剪枝目的是判斷因果關(guān)系是否存在，這是識別因果關(guān)系的基本問題之一。
　　本文根據(jù)貝葉斯網(wǎng)的條件獨立性測試的方法，提出了新的剪枝策略。該策略依據(jù)因果順序，將變量