基于因果推断的隐网络结构学习

《基于因果推断的隐网络结构学习》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、代号10701学号1003121844分类号TP18密级公开题（中、英文）目基于因果推断的隐网络结构学习LearningtheStructureofLatentNetworksBasedonCausalInference作者姓名刘霞指导教师姓名、职务杨有龙教授学科门类理学学科、专业应用数学提交论文日期二○一三年一月西安电子科技大学学位论文创新性声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列

2、的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以

3、公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后结合学位论文研究课题再攥写的文章一律署名单位为西安电子科技大学。本人签名：日期导师签名：日期摘要因果贝叶斯网络是研究不确定环境下因果推断的主要工具之一，也是机器学习、模式识别、数据分析及预测的重要方法．目前，大量学习因果贝叶斯网络结构的算法均满足因果充分性假设，即网络中不含有隐藏变量或者隐藏变量没有多于两个子节点．但是有时隐藏变量是实际存在的，因此放松因果充分性这一假设，学习含有隐藏变量的因果贝叶斯网络（简

4、称隐网络）的结构具有重要的理论意义和应用价值．如何有效地分析数据提取可靠的信息进行因果推断是隐网络结构学习中的研究热点问题．本文着重研究隐网络的结构学习机制，主要工作有：首先，探讨了目前通过学习祖先关系来刻画隐网络中变量间因果关系的必要性．在不考虑因果充分性假设的前提下，对FCI算法、MBCS*算法和RFCI算法的主要学习步骤进行分析，指出了这三种算法的适用范围及其各自的优缺点．其次，基于因果推断给出一种新的两步法学习隐网络结构．第一步采用BSPC算法，利用观察数据学习隐网络的映射图，第二步在考虑

5、实验总体花费的情况下，结合先验知识和最优实验设计提出新算法IPKOED，利用此算法确定更多未定向的边的方向，以便得到最佳的隐网络的代表图．最后，从理论上对算法BSPC进行证明，同时对ALARM和HAILFINDER网络进行仿真实验．实验结果说明此算法不仅可以减少噪音进而确保条件独立测试的可靠性，而且需要较少的测试次数，进一步降低学习网络结构的复杂度．同时，学习得到的网络结构含有较少的冗余边和定向错误的边．关键词：祖先图;条件独立测试;隐藏变量;因果关系;干预实验AbstractCausalBaye

6、sianNetworksisoneofthemaintoolsofcausalinferenceunderuncertainconditionsandalsoanimportantmethodinmachinelearning,patternrecognition,dataanalysisandpredict.Currently,alargenumberofalgorithmsforlearningthestructureofCausalBayesianNetworksneedtosatisfyc

7、ausalsufficiencyassumptionswhichindicatethattheredon’tcontainlatentvariablesorthatlatentvariablesdon’thavemorethantwochildrennodes.Butsometimeslatentvariablesactuallyexist.Therefore,ithasimportanttheoreticalsignificanceandapplicationvaluetolearnthestr

8、uctureofCausalBayesianNetworkswithlatentvariables(alsoknownaslatentnetworks)intheabsenceofcausalsufficiencyassumptions.Itisahotspotissueinlearningthestructureoflatentnetworksthathowtoeffectivelyanalyzethedatatoextractreliableinformationforcaus