×
齐、小龙;范晓聪;王慧玲;林，林;高，杨

基于约束的因果结构学习的互信息启发启发法。 （英语） Zbl 1484.68195号

信息科学。 560, 152-167 (2021).
摘要：在基于约束的贝叶斯网络结构学习方法中，当方向忠实性的假设被违反时，不仅边缘方向的正确性会大大降低，条件独立性测试的成本飙升也限制了它们在学习非常大的因果网络中的适用性。受两个变量共享的互信息程度与其条件独立性之间的紧密联系的启发，我们将PC-MI算法扩展为两种方式：（a）弱边优先（WEF）在PC-MI中实施的策略进一步与Markov-chain一致性相结合，以减少独立性测试的次数，并保持骨骼学习中假阳性边缘的数量；（b） 提出了较小邻接集（SAS）策略，并证明了较小邻域集捕获了足够的信息来确定非屏蔽三元组是否形成v结构。我们用低维和高维数据集进行了实验，结果表明，我们的MIIPC方法在学习质量和执行时间方面都优于最先进的方法。

引用于2文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
60J20型 马尔可夫链和离散时间马尔可夫过程在一般状态空间（社会流动、学习理论、工业过程等）上的应用
62D20型 观察性研究的因果推断
62H22个 概率图形模型

关键词：

因果结构学习;相互信息;Markov-chain一致性;分隔定理;较小邻接

软件：

TETRAD公司;自适应阈值
PDF格式BibTeX公司 XML格式引用
\textit{X.Qi}等人，《信息科学》。560152-167（2021年；Zbl 1484.68195）
全文： 内政部

参考文献：

[1] 比尔扎，C。；Larrañaga，P.，《神经科学中的贝叶斯网络：一项调查》，Front。计算。神经科学。，8, 131 (2014)
[2] Okutan，A。；Yíldíz，O.T.，《使用贝叶斯网络进行软件缺陷预测》，Empir。软件工程，19，1，154-181（2014）
[3] Sun，S。；吴，Z。；周，C。；齐，X。；Song，B。；Gao，Y.，一种使用父节点滤波器的新型故障传播路径识别推理算法，J.Data Sci。，1-9 (2019)
[4] 韦伯，P。；Medina-Oliva，G。；西蒙，C。；Iung，B.，可靠性、风险分析和维护领域贝叶斯网络应用概述，工程应用。工件。智力。，25, 4, 671-682 (2012)
[5] 蔡，R。；Chen，W。；张凯，基于非时间序列观测数据的因果关系发现调查，中国。J.计算。，40, 6, 1470-1490 (2017)
[6] P.Spirtes，K.Zhang，因果发现和推断：概念和最新方法学进展，收录于：应用信息学，第3卷，SpringerOpen，2016年，第3页。
[7] Y.Yu，J.Chen，T.Gao，M.Yu，Dag-gnn：图神经网络的Dag结构学习，收录于：2019年国际机器学习会议，第7154-7163页。
[8] S.Zhu，I.Ng，Z.Chen，因果发现与强化学习，收录于：2019年学习表征国际会议。
[9] Scanagatta，M。；萨尔蒙，A。；Stella，F.，《从数据中学习贝叶斯网络结构的调查》，Prog。工件。智力。，8, 4, 425-439 (2019)
[10] 盖萨里，S。；Meybodi，M.R.，Bnc-pso:通过粒子群优化对贝叶斯网络进行结构学习，信息科学。，348, 272-289 (2016) ·Zbl 1398.68435号
[11] 奥戈曼，B。；佩尔多莫·奥尔蒂斯，A。；巴布什，R。；Aspuru-Guzik，A。；Smelyanskiy，V.，《使用量子退火的贝叶斯网络结构学习》，《欧洲物理》。J.特殊上衣。，224, 1, 163-188 (2015)
[12] T.Gao，K.Fadnis，M.Campbell，局部到全局贝叶斯网络结构学习，收录于：国际机器学习会议，2017年，第1193-1202页。
[13] 高，T。；Ji，Q.，高效基于分数的马尔可夫覆盖发现，国际期刊近似原因。，80, 277-293 (2017) ·Zbl 1401.68263号
[14] J.I.Alonso-Barba，L.de la Ossa，O.Regnier-Coudert，J.McCall，J.A.Gámez，J.M.Puerta，基于排序的贝叶斯网络学习的蚁群和代理树结构模型，收录于：《2015年遗传与进化计算年会议论文集》，ACM，2015年，第543-550页
[15] 聂，S。；Mauá，博士。；De Campos，C.P。；Ji，Q.，学习有界树宽贝叶斯网络的进展，高级神经信息处理。系统。，2285-2293 (2014)
[16] C.Meek，《因果推理和背景知识因果解释》，载于：《人工智能中的不确定性》，1995年，第403-410页。
[17] Spirtes，P。；格雷摩尔，C.N。；Scheines，R.，因果、预测和搜索（2000），麻省理工出版社
[18] J.Runge，《从时间序列重构因果网络：从理论假设到实际估计》，混沌Interdisc。非线性科学杂志。28 (7) (2018) 075310:0-20. ·Zbl 1396.62218号
[19] K.Zhang、B.Huang、J.Zhang和C.Glymour、B.Schölkopf，《非平稳/异质数据的因果发现：骨架估计和方向确定》，载于：IJCAI:会议记录，2017年第卷，NIH Public Access，2017年，第1347页。
[20] 科伦坡，D。；Maathuis，M.H.，基于有序依赖约束的因果结构学习，J.Mach。学习。研究，15，1，3741-3782（2014）
[21] 齐，X。；范，X。；高，Y。；Liu，Y.，使用最弱互信息优先策略学习贝叶斯网络结构，国际期刊近似推理。，114, 84-98 (2019) ·Zbl 1468.68165号
[22] J.Ramsey，P.Spirtes，J.Zhang，邻信度和保守因果推理，摘自：《第二十二届人工智能不确定性会议论文集》，UAI'06，美国弗吉尼亚州阿灵顿市AUAI出版社，2006年，第401-408页。
[23] Pearl，J.，《因果关系：模型、推理和推断》（2000），剑桥大学出版社：剑桥大学出版社·Zbl 0959.68116号
[24] J.Dellert，词汇流的信息论因果推理，博士论文，博士论文，图宾根大学（2017）。
[25] 盖，T.M。；Thomas，J.A.，《信息理论的要素》（2012），John Wiley&Sons
[26] 陈晓伟。；阿南塔，G。；Lin，X.，在k2算法中使用基于互信息的节点排序改进贝叶斯网络结构学习，IEEE Trans。知识。数据工程，20，5，628-640（2008）
[27] K.Yu，J.Li，L.Liu，基于约束的因果发现算法综述，arXiv预印本arXiv：1611.03977。
[28] Tsamardinos，L。；Brown，L.E。；Aliferis，C.F。；Moore，A.W.，最大爬山贝叶斯网络结构学习算法，马赫。学习。，65, 1, 31-78 (2006) ·Zbl 1470.68192号
[29] 勒纳，B。；Afek，M。；Bojmel，R.，贝叶斯网络结构学习中的自适应阈值，IJCAI，1458-1464（2013）
[30] C.洪。；Yu，J。；张杰。；金，X。；Lee，K.-H.，带多任务流形深度学习的多模态人脸估计，IEEE Trans。Ind.Inf.，15，7，3952-3961（2019）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。