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(gè)重要問題。因果關(guān)系推斷是解釋分析的一個(gè)強(qiáng)大的建模工具,使當(dāng)前的機(jī)器學(xué)習(xí)具有可解釋性。在醫(yī)療、通信、互聯(lián)網(wǎng)、統(tǒng)計(jì)和經(jīng)濟(jì)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(xué)習(xí)。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(xué)習(xí)因果網(wǎng)絡(luò)結(jié)構(gòu)和提高學(xué)習(xí)準(zhǔn)確率是目前研究的難點(diǎn)。在復(fù)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(huì)直接影響因果關(guān)系推斷的準(zhǔn)確率�；谝陨系膯栴},本文按照兩部分研究思路逐步改進(jìn)高維數(shù)據(jù)下的因果推斷算法。這兩個(gè)部分研究思路及創(chuàng)新點(diǎn)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(jìn)行檢測,提高目標(biāo)點(diǎn)的父子節(jié)點(diǎn)集的準(zhǔn)確,再利用條件獨(dú)立測試（CI）對父子集點(diǎn)集進(jìn)一步提煉,刪除無關(guān)節(jié)點(diǎn);然后使用非線性最小二乘獨(dú)立回歸算法,為圖中的目標(biāo)點(diǎn)與其父子節(jié)... 

【文章來源】：南華大學(xué)湖南省

【文章頁數(shù)】：63 頁

【學(xué)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(jī)器學(xué)習(xí)
    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(jìn)算法
    3.1 引言
    3.2 最小二乘獨(dú)立回歸與Copula相關(guān)系數(shù)
        3.2.1 最小二乘獨(dú)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(xué)習(xí)算法
        3.3.1 無向子圖構(gòu)造
        3.3.2 目標(biāo)節(jié)點(diǎn)與父子節(jié)點(diǎn)集PC（y）中每個(gè)節(jié)點(diǎn)方向識別
        3.3.3 實(shí)驗(yàn)環(huán)境配置
    3.4 實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
第4章 基于深度學(xué)習(xí)處理缺失數(shù)據(jù)因果推斷改進(jìn)算法
    4.1 引言
    4.2 缺失機(jī)制與GAE
        4.2.1 數(shù)據(jù)缺失機(jī)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(jìn)算法
        4.3.1 缺失數(shù)據(jù)的填充
        4.3.2 因果骨架學(xué)習(xí)
        4.3.3 聯(lián)合訓(xùn)練因果骨架并進(jìn)行方向識別
    4.4 實(shí)驗(yàn)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(xiàn)
作者攻讀學(xué)位期間的科研成果
致謝



本文編號：3156538