×

学习弱信度违规中带有潜在混淆因素的因果图。 (英语) Zbl 1442.68196号

摘要:学习隐藏在观测数据背景中的因果模型一直是一个难题。在实际数据中构建因果模型时,通常需要处理潜在的共同原因和选择偏差,因为很难观察所有相关变量。祖先图模型对于用这些潜在变量的一些信息表示因果模型是有效和有用的。众所周知,在有限数据的统计观点中,通常假设因果信度条件用于确定模型,但该条件通常被弱违反。其中一位作者开发了一种基于约束的因果学习算法,该算法在不假设潜在变量的情况下,对弱违规具有鲁棒性。在本研究中,我们将算法的思想应用并扩展到祖先图模型的推理中。通过使用一些标准数据集与FCI和RFCI算法进行比较,验证了该算法的实际有效性。

MSC公司:

68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Abramson,B;布朗,J;Winkler,RL,Hailfinder:用于预测恶劣天气的贝叶斯系统,《国际预测杂志》。,12, 57-71, (1996) ·doi:10.1016/0169-2070(95)00664-8
[2] Beinlich,I.、Suermondt,H.、Chavez,R.、Cooper,G.:ALARM监控系统:信念网络的两种概率推理技术的案例研究。In:程序。欧洲医学人工智能会议(AIME-89),第247-256页(1989)·Zbl 1184.68434号
[3] 粘合剂,J;科勒,D;罗素,S;Kanazawa,K,带隐藏变量的自适应概率网络,马赫数。学习。,29213-2441997年·Zbl 0892.68079号 ·doi:10.1023/A:1007421730016
[4] Claassen,T.,Heskes,T.:基于约束的因果推理的贝叶斯方法。In:程序。人工智能不确定性会议(UAI-12),第207-216页(2012)·Zbl 1225.68222号
[5] 科伦坡,D;Maathuis,MH;Kalisch,M;Richardson,TS,《学习具有潜在和选择变量的高维有向无环图》,《Ann.Stat.》,第40期,第294-321页,(2012年)·Zbl 1246.62131号 ·doi:10.1214/11-AOS940
[6] Dawid,AP,《统计操作的条件独立性》,Ann.Stat.,8,598-617,(1980)·Zbl 0434.62006号 ·doi:10.1214/aos/1176345011
[7] Geiger,D.,Verma,T.,Pearl,J.:D-分离:从定理到算法。In:程序。人工智能不确定性会议(UAI-89),第139-148页(1989)
[8] Isozaki,T,一种针对忠实违反的稳健因果发现算法,Trans。日本。Soc.Artif公司。智力。,29, 137-147, (2014) ·doi:10.1527/tjsai.29.137
[9] Isozaki,T.,Kuroki,M.:学习对忠实性违规具有鲁棒性的最大祖先图。In:程序。第二届贝叶斯网络高级方法国际研讨会(AMBN-15),第196-208页(2016)
[10] Jensen,F.V.、Kjrulff,U.、Olesen,G.、Pedersen,J.:废水处理控制专家系统。技术报告,Judex Datasystemer A/S,丹麦奥尔堡(1989年,丹麦语)
[11] Kalisch,M;Mächler,M;科伦坡,D;Maathuis,MH;Bühlmann,P,使用图形模型和R包pcalg进行因果推断,J.Stat.Softw。,47,1-26,(2012年)·doi:10.18637/jss.v047.i11
[12] Meek,C.:贝叶斯网络中的强完整性和忠实性。In:程序。人工智能不确定性会议(UAI-95),第411-418页(1995)
[13] Pearl,J.:智能系统中的概率推理。Morgan Kaufmann,圣马特奥(1988)·Zbl 0746.68089号
[14] Pearl,J.,Verma,T.:推理因果关系理论。In:程序。知识表示和推理原则会议,第441-452页(1991)·兹比尔0765.68177
[15] Pellet,J.,Elisseeff,A.:在因果网络中寻找潜在原因:基于马尔可夫毛毯的有效方法。In:程序。神经信息处理系统进展21(NIPS 08),第1249-1256页(2008)
[16] Ramsey,J.,Spirtes,P.,Zhang,J.:邻接信念和保守因果推理。In:程序。人工智能不确定性会议(UAI-06),第401-408页(2006)
[17] Reichenbach,H.:《时间的方向》。多佛出版社,米诺拉出版社(1956年,加州大学伯克利分校出版社出版的作品再版)
[18] 理查森,T;Spirtes,P,Ancestral graph Markov models,Ann.Stat.,30,962-1030,(2002)·Zbl 1033.60008号 ·doi:10.1214/aos/1031689015
[19] Spites,P.、Glymour,C.、Scheines,R.:因果关系、预测和搜索,第二版。麻省理工学院出版社,剑桥(2000)·Zbl 0806.62001
[20] Spirtes,P.,Meek,C.,Richardson,T.:存在潜在变量和选择偏差的因果推断。In:程序。人工智能不确定性会议(UAI-95),第499-506页(1995)·兹伯利0434.62006
[21] 威廉姆森,J.:贝叶斯网和因果关系:哲学和计算基础。牛津大学出版社,牛津(2005)·Zbl 1153.68503号
[22] 谢,X;Geng,Z,有向非循环图结构学习的递归方法,J.Mach。学习。第9号决议,第459-483页,(2008年)·Zbl 1225.68222号
[23] Yehezkel,R;Lerner,B,通过递归自治识别进行贝叶斯网络结构学习,J.Mach。学习。第10号决议,1527-1570,(2009年)·Zbl 1235.68214号
[24] Zhang,J,关于存在潜在混杂因素和选择偏差时因果发现定向规则的完整性,Artif。智力。,172, 1873-1896, (2008) ·Zbl 1184.68434号 ·doi:10.1016/j.artint.2008.08.001
[25] 张,J;Spirtes,P,《不忠检测与稳健因果推断》,Minds Mach。,18, 239-271, (2008) ·doi:10.1007/s11023-008-9096-4
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。