隨著人工智能、大數(shù)據(jù)的發(fā)展,從觀察到的數(shù)據(jù)中發(fā)現(xiàn)因果關(guān)系是許多研究領(lǐng)域的一個重要問題。因果關(guān)系推斷是解釋分析的一個強大的建模工具,使當前的機器學習具有可解釋性。在醫(yī)療、通信、互聯(lián)網(wǎng)、統(tǒng)計和經(jīng)濟等許多領(lǐng)域都有重要的應(yīng)用。目前,因果關(guān)系推斷已從二維變量的研究基礎(chǔ)上開始研究對高維數(shù)據(jù)中因果網(wǎng)絡(luò)結(jié)構(gòu)的學習。但是利用傳統(tǒng)的因果關(guān)系推斷算法在高維數(shù)據(jù)中學習因果網(wǎng)絡(luò)結(jié)構(gòu)和提高學習準確率是目前研究的難點。在復雜的高維數(shù)據(jù)中,常存在大量的缺失、異常數(shù)據(jù),如果處理不好,將會直接影響因果關(guān)系推斷的準確率�；谝陨系膯栴},本文按照兩部分研究思路逐步改進高維數(shù)據(jù)下的因果推斷算法。這兩個部分研究思路及創(chuàng)新點分別是:1、基于高維數(shù)據(jù)異常值問題,本文在引入耦合相關(guān)系數(shù)（copula dependence coefficient,CDC）的基礎(chǔ)上,提出了一種適用于高維數(shù)據(jù)的兩步驟因果關(guān)系推斷算法。首先該算法引入對異常值數(shù)據(jù)具有魯棒性的CDC,對變量間的關(guān)聯(lián)度進行檢測,提高目標點的父子節(jié)點集的準確,再利用條件獨立測試（CI）對父子集點集進一步提煉,刪除無關(guān)節(jié)點;然后使用非線性最小二乘獨立回歸算法,為圖中的目標點與其父子節(jié)... 

【文章來源】：南華大學湖南省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外發(fā)展現(xiàn)狀
    1.3 論文研究的主要目的和內(nèi)容
        1.3.1 論文的主要研究目的
        1.3.2 論文的主要研究內(nèi)容
        1.3.3 論文的研究方法
    1.4 論文組織結(jié)構(gòu)
第2章 因果關(guān)系基本相關(guān)理論
    2.1 概率論知識
    2.2 因果關(guān)系模型
        2.2.1 結(jié)構(gòu)因果模型
        2.2.2 因果圖表示
        2.2.3 D-分割與V結(jié)構(gòu)
        2.2.4 馬爾科夫?qū)傩?br>    2.3 因果推斷經(jīng)典算法
        2.3.1 PC算法
        2.3.2 GES算法
        2.3.3 混合算法
    2.4 因果與機器學習
    2.5 本章小結(jié)
第3章 基于CDC的適用于高維數(shù)據(jù)的因果推斷改進算法
    3.1 引言
    3.2 最小二乘獨立回歸與Copula相關(guān)系數(shù)
        3.2.1 最小二乘獨立回歸
        3.2.2 Copula相關(guān)系數(shù)
    3.3 基于CDC的因果結(jié)構(gòu)學習算法
        3.3.1 無向子圖構(gòu)造
        3.3.2 目標節(jié)點與父子節(jié)點集PC（y）中每個節(jié)點方向識別
        3.3.3 實驗環(huán)境配置
    3.4 實驗結(jié)果分析
    3.5 本章小結(jié)
第4章 基于深度學習處理缺失數(shù)據(jù)因果推斷改進算法
    4.1 引言
    4.2 缺失機制與GAE
        4.2.1 數(shù)據(jù)缺失機制
        4.2.2 GAE算法模型
    4.3 缺失數(shù)據(jù)下因果關(guān)系推斷的改進算法
        4.3.1 缺失數(shù)據(jù)的填充
        4.3.2 因果骨架學習
        4.3.3 聯(lián)合訓練因果骨架并進行方向識別
    4.4 實驗結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
作者攻讀學位期間的科研成果
致謝



本文編號：3156538