貝葉斯網(wǎng)絡(luò)局部因果結(jié)構(gòu)學習方法研究及其應(yīng)用.pdf

1、在過去的數(shù)年間,大量的研究集中在基于數(shù)據(jù)驅(qū)動的方式發(fā)現(xiàn)因果貝葉斯網(wǎng)絡(luò)。因果關(guān)系揭示了系統(tǒng)要素作用的本質(zhì),因果結(jié)構(gòu)學習已成為貝葉斯網(wǎng)絡(luò)學習中一種重要的結(jié)構(gòu)學習方法。但是從數(shù)據(jù)中學習全局貝葉斯網(wǎng)絡(luò)是一個NP難題,并且人們通常僅關(guān)心其感興趣的變量的局部因果結(jié)構(gòu)。因此,學習貝葉斯網(wǎng)絡(luò)中關(guān)于目標變量的局部因果結(jié)構(gòu)成為該領(lǐng)域的一個重要研究內(nèi)容。局部因果結(jié)構(gòu)學習方法可以應(yīng)用于發(fā)現(xiàn)經(jīng)濟領(lǐng)域的因果知識。發(fā)現(xiàn)目標變量的局部因果結(jié)構(gòu)是一個充滿挑戰(zhàn)性的問題,同

2、時也具有重要的科學意義和較高的應(yīng)用價值。
　　論文中,將針對目標變量局部因果結(jié)構(gòu)學習展開一系列的探討。局部因果結(jié)構(gòu)學習主要包括兩個方面:一是,從數(shù)據(jù)中獲取關(guān)于目標變量的局部模型;二是,發(fā)現(xiàn)局部模型中變量間的因果關(guān)系。針對這兩個方面的研究內(nèi)容,本文所開展的研究工作具體如下:
　　第一,為了能夠有效的學習網(wǎng)絡(luò)中目標變量的局部因果結(jié)構(gòu),提出了基于擾動學習的局部因果結(jié)構(gòu)學習方法(I-LCSL方法)。首先,利用馬爾可夫毯的結(jié)構(gòu)劃分能力

3、從觀測數(shù)據(jù)中獲取目標變量的局部模型。其次,利用擾動學習的因果發(fā)現(xiàn)能力,從局部模型中隨機選擇一個擾動變量進行擾動,進而獲取一組擾動數(shù)據(jù)。最后,聯(lián)合觀測數(shù)據(jù)和擾動數(shù)據(jù),利用動態(tài)規(guī)劃算法學習關(guān)于變量的局部因果結(jié)構(gòu)。利用邊的錯誤率對I-LCSL方法學習到的局部因果結(jié)構(gòu)進行評估。
　　第二,針對現(xiàn)有方法都難以確定擾動節(jié)點的缺點,提出一種基于因果強度的局部因果結(jié)構(gòu)主動學習方法(CSI-LCSL方法)。首先,尋找目標節(jié)點的馬爾可夫毯生成關(guān)于目標

4、節(jié)點的局部模型;其次,利用不對稱信息熵對局部模型中的每一節(jié)點進行因果強度分析,選取因果強度值較大的節(jié)點進行擾動,生成擾動數(shù)據(jù);再次,聯(lián)合擾動數(shù)據(jù)和觀測數(shù)據(jù)學習邊的后驗概率,從而獲得一個關(guān)于目標節(jié)點的局部因果網(wǎng)絡(luò)。最后,利用結(jié)構(gòu)信息熵對CSI-LCSL方法的學習結(jié)果進行評估。
　　通過現(xiàn)實生活中的數(shù)據(jù),對本文所提出的方法進行了綜合評估。實驗表明,本文提出的方法能夠有效發(fā)現(xiàn)目標變量的局部因果結(jié)構(gòu),且學習結(jié)果優(yōu)于當前的其它算法。