检索结果-内蒙古大学图书馆

作者：曾艳广东工业大学

学位级别：博士

近年来,基于可观测数据的因果发现吸引了许多学者的注意力,并被广泛应用在金融经济学、神经信息学、生物医学等领域中。面向函数因果模型(Functional Causal Models,FCM)的因果发现是其中的研究热点之一,因为这方面的研究让因果结构的... 详细信息

近年来,基于可观测数据的因果发现吸引了许多学者的注意力,并被广泛应用在金融经济学、神经信息学、生物医学等领域中。面向函数因果模型(Functional Causal Models,FCM)的因果发现是其中的研究热点之一,因为这方面的研究让因果结构的唯一识别性理论保证成为可能,解决了因果发现中的马尔科夫等价类难题,从而有效帮助各个应用领域中的数据来源解释、干预措施制定、多领域学习等问题的解决。这项研究包含以下两个方面的任务:(i)学习可观测变量之间的因果关系与(ii)学习潜在隐变量(或隐因子)之间的因果关系。然而,针对不同的任务(i)和(ii),面向不同函数因果模型的因果发现具有不同的挑战:基于线性非高斯FCM和任务(i)的因果发现算法由于因果次序的搜索方式不优,存在着算法性能低的难题;基于非线性FCM和任务(i)的因果发现算法由于非线性模型的复杂性与不可传递性,存在着因果网络的识别性理论缺乏的难题;基于隐变量FCM和任务(ii)的因果发现算法由于无法处理多领域数据,存在着模型表达能力不足等难题。因此,针对这些难题,本文从不同类型的函数因果模型出发,展开了深入的模型、理论、算法与应用层面的探索与研究。具体来说,本文的研究内容与主要贡献有:(1)针对面向线性非高斯函数因果模型的因果发现算法存在识别准确率低且计算复杂度高这个挑战,本文提出了一种因果树假设下的优先选择叶子节点的算法(A LiNGAM algorithm of Giving Priority to Leaf-nodes,GPL)来估计可观测变量之间的因果结构。根据叶子节点不会影响因果结构中其他节点的这一特征,GPL算法以自底向上的方式直接逐一地选择叶子节点并确定因果次序,而无需执行数据更新过程等其他操作,最后再使用剪枝算法确定因果网络结构。除了算法层面上的高效设计,本文还提供了算法在准确性与复杂度两方面的理论分析。此外,在仿真数据和关于无线网络优化的真实数据上进行的实验验证了 GPL算法在计算复杂度和准确度两方面的优势,尤其是在数据变量个数很多或样本量很少的情况。(2)针对面向非线性函数因果模型的因果发现算法缺乏因果网络识别的理论保障这个挑战,本文首先建立了基于高维多变量的非线性函数因果模型(multiple High-Dimensional Deterministic Models,HDDM),并分析了模型的良好性质:HDDM 模型在经过数据转换后,能使得两两互相依赖的变量具有不对称性。这一种不对称性是推导出因果网络识别性理论的重要基础。紧接着,本文设计了候选节点的两种选择策略,并在这两种策略的基础上相应地提出了一种基于非线性函数因果模型的因果发现集成算法和给出了算法的一致性分析。最后,通过在仿真数据上的实验,本文验证了算法理论的正确性,并将算法应用在雅虎股票指数数据集上,发现了股票数据背后的因果信息。(3)为了进一步探索数据的因果关系与增强模型的表征能力,本文以学习潜在隐变量之间的因果关系为研究目标。针对面向隐变量函数因果模型的算法无法解决多领域数据这一挑战,本文首先建立了基于多领域隐变量的函数因果模型(Multi-Domain Linear Non-Gaussian Acyclic Models for LAtent Factors,MD-LiNA),并提供了模型的可识别性分析。MD-LiNA是一种新的因果表征方式。此外,本文提出了一种集成的两阶段方法,具体地说,在第一阶段,本文利用一种基于“伪残差”的被称为Triad的约束条件和因子分析方法,确定所有领域中隐因子的位置,并估计因子载荷矩阵(连接可观测变量与隐因子的矩阵)。在第二阶段,基于噪声独立性和不同领域的隐因子与真正隐因子之间的依赖性,本文建立目标函数与无环性约束等条件,有效地解决了多领域数据的问题,即当隐变量是多领域时,本文可以根据不同领域的隐变量之间的不同因果结构,来估计出背后隐藏的真正的隐变量之间的因果结构。在仿真数据与功能性磁振造影(Functional Magnetic Resonance Imaging,fMRI)海马大脑区域的真实数据上的实验结果显示,本文的方法不仅能有效处理单领域数据,也能处理多领域数据。总的来说,本文以构建识别效率高、泛化能力强的因果发现算法为总线,以两大不同的任务作为方向,以线性非高斯函数因果模型、非线性函数因果模型与基于隐变量的函数因果模型三大模型作为研究对象,解决了面向函数因果模型的不同因果发现问题。相关研究在不同的实际应用领域中发挥着一定的指导与参考作用。

关键词：因果发现函数因果模型因果次序可观测变量隐变量

来源：评论

学校读者我要写书评

暂无评论

基于函数因果模型的细胞分子互作网络因果关系研究

基于函数因果模型的细胞分子互作网络因果关系研究

引用

作者：叶婷重庆大学

学位级别：硕士

生物细胞学中的生化机制源于内部分子的相互作用,生化网络中的非线性反馈调节细胞内部的活动。随着近二十年来高通量技术的不断发展,如大规模细胞检测或单细胞测序,允许在众多的实验条件下对大量细胞进行多变量检测,具有先进的技术可靠... 详细信息

生物细胞学中的生化机制源于内部分子的相互作用,生化网络中的非线性反馈调节细胞内部的活动。随着近二十年来高通量技术的不断发展,如大规模细胞检测或单细胞测序,允许在众多的实验条件下对大量细胞进行多变量检测,具有先进的技术可靠性。这使得测量生物细胞中成千上万的分子变得更加容易,但是在分子水平上理解其作用机制方面也迎来了更严峻的挑战。即如何从这些大规模的细胞数据集中提取知识,构建一个可以表示细胞分子间因果关系的互作网络,促进人们对基础科学的理解,并为各种显性的生物现象提供合理的解释。在基础生物学研究中,研究因果关系最常见的方式就是进行随机对照实验,但该实验要求严苛、耗时昂贵且受限于各种伦理道德。为了摆脱随机对照实验的种种限制,从观测数据出发利用其统计特性的因果发现方法被提出。然而传统的因果发现方法在实际的运用场景中或多或少存在一些局限性。本文将细胞观测数据中的因果发现作为研究重点,提出一种基于函数因果模型的发现细胞分子互作网络因果关系的方法。该方法结合了样本的相似性,使用特征选择方法构建细胞分子间的因果骨架。然后利用条件独立性及分布对称性推断细胞分子间的因果方向,最终生成细胞分子互作网络,该网络以可变数量的节点和方向清晰的展示了细胞分子间的因果关系。本文主要工作如下:(1)详述了细胞分子间的互作网络和因果发现的发展历程,分析了该领域的国内外研究现状和传统方法的不足,在此基础上阐明了本文的研究重点及研究意义。(2)本论文提出一种基于函数因果模型的细胞分子互作网络发现方法。该方法首先利用标准欧氏距离对细胞观测数据进行代表性抽样,然后通过基于希尔伯特独立准则(Hilbert-Schmidt Independence Criterion,HSIC)的Lasso特征选择方法获取因果骨架,最后使用生成式网络进行函数因果建模,确定其因果方向。(3)在三个公共的细胞分子数据集上分析了该模型的预测效果,与不同模型对比并分析其结果。通过实验结果得出本论文所提方法的有效性和鲁棒性。(4)基于本论文所提的方法,设计并实现了一个细胞分子互作网络因果关系的验证系统。

关键词：贝叶斯网络因果发现细胞分子互作网络函数因果模型

来源：评论

学校读者我要写书评

暂无评论

一种任意分布下的隐变量因果结构学习算法

引用

计算机工程 2022年第9期48卷 121-129页

作者：郝志峰陈正鸣谢峰陈薇蔡瑞初广东工业大学计算机学院广州510006 汕头大学理学院广东汕头515063 北京大学数学科学学院北京100871

因果发现旨在通过观测数据挖掘变量间的因果关系,在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息(如四分体约束)或引入非高斯假设(如三分体约束)来解决线性因果模型下的隐变量结构学习问... 详细信息

因果发现旨在通过观测数据挖掘变量间的因果关系,在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息(如四分体约束)或引入非高斯假设(如三分体约束)来解决线性因果模型下的隐变量结构学习问题,但大多限定于分布明确的情况,而实际应用环境往往并不满足这种假设。给出任意分布下隐变量结构的识别性证明,指出在没有混淆因子影响的情况下,两个隐变量的因果方向可识别所需要的最小条件是仅需要其中一个隐变量的噪声服从非高斯分布。在此基础上,针对线性隐变量模型提出一种在任意分布下学习隐变量因果结构的算法,先利用四分体约束方法学习得到隐变量骨架图,再通过枚举骨架图的等价类并测量每一个等价类中的三分体约束来学习因果方向,同时将非高斯约束放宽到尽可能最小的变量子集,从而扩展线性隐变量模型的应用范围。实验结果表明,与MIMBuild和三分体约束方法相比,该算法得到了最佳的F1值,能够在任意分布下学习更多的隐变量因果结构信息,且具有更强的鲁棒性。

关键词：因果发现因果结构任意分布隐变量函数因果模型

来源：评论

学校读者我要写书评

暂无评论

面向测量模型的因果关系发现算法研究

面向测量模型的因果关系发现算法研究

引用

作者：谢峰广东工业大学

学位级别：博士

近年来,越来越多研究者开始关注因果推断在机器学习、人工智能等领域的解释作用,并已经广泛地应用在社会科学、经济学、医疗学等领域。传统的因果关系发现大都是基于干预(interventions)或者随机实验(randomized experiments),然而现实... 详细信息

近年来,越来越多研究者开始关注因果推断在机器学习、人工智能等领域的解释作用,并已经广泛地应用在社会科学、经济学、医疗学等领域。传统的因果关系发现大都是基于干预(interventions)或者随机实验(randomized experiments),然而现实中这种方式往往需要花费大量的人力和财力资源,有时候甚至无法完成操作。因此从观察数据中发现因果关系成为了一个重要的突破口并得到越来越多研究学者的关注。结构方程模型(Structural Equation Modeling,SEM)对于多变量分析提供一个基本的框架,同时也是一个强有力的学习因果关系的工具,因此很多学者和专家尝试利用结构方程模型,从函数与变量的关系和数据分布等角度去发现数据背后的因果关系。以结构方程模型为基础,引入到图模型中,这类模型统称函数因果模型(Functional Causal Model,FCM),也有学者称为结构因果模型(Structural Causal Model,SCM),然而现有的方法大都假设观察变量即为真实发生因果关系的变量,而忽略了测量误差带来的影响。本文针对测量模型下因果关系发现理论以及相应的实际应用进行了深入的研究。解决了线性测量误差模型下如何完整识别因果网络,如何通过测量变量恢复1-Factor测量模型(测量变量之间存在1个共同的隐变量)下隐变量间的因果结构以及N-Factor测量模型(测量变量之间存在任意多个共同的隐变量)下隐变量背后的因果结构三个方面。本文的主要贡献如下:(1)研究从含有测量误差的数据中识别完整因果网络。针对经典的LiNGAM模型存在的(a)无法解决数据噪声是高斯的情况;(b)数据含有噪声误差时因果方向判断错误的问题。本文提出了一种基于信息熵两阶段的方式解决任意分布的数据,通过引入专家知识信度比(reliability ratio)来恢复真实数据,解决了含有测量误差数据下的因果发现问题。对比现有主流算法,我们算法复杂度最低,达到O(mn2)。此外,在真实结构下的实验结果验证了我们的方法更加有效和稳定。我们还将所提出算法应用于移动基站数据中,结果进一步证明了本文算法的有效性。(2)研究1-Factor测量模型下的隐变量间因果结构估计问题。本文通过利用数据的高阶信息量特征,提出了一种可Testable的,能够发现隐变量因果信息的Triad条件。具体来讲就是:对于任意三个相关变量设计了一种伪残差(pseudo-residual),从而证明了当因果关系是线性且噪声变量是非高斯时,利用三个观察变量执行有限的独立测试后就可以判断两个隐变量谁是因变量和果变量。也就是说,Triad条件能够帮助找到隐变量并能够判断隐变量之间的因果关系。对于非高斯数据来说,对比传统的Tetrad条件,Triad条件能够得到更加丰富的隐变量因果结构的信息。此外,本文基于Triad条件提出了一种两阶段的算法去估计测量模型中潜在隐变量的因果网络。最后虚拟数据上验证了算法理论的正确性,并应用在香港股票数据上,能够发现股票数据背后的隐变量及其因果关系。(3)研究N-Factor测量模型下的隐变量间因果结构估计问题。本文考虑线性非高斯因果模型,提出了一种用来估计隐变量因果结构的广义独立噪声条件(Generalized Independent Noise,GIN)。具体来讲就是:对于两个观察变量的随机向量X和Z,测试ωTX和Z之间的统计独立性,其中ωT是基于向量X和Z之间的互协方差的参数向量。我们说当且仅当ωTX和Z统计独立时GIN成立。从因果图上来看就是,在线性非高斯隐变量模型下,如果对于X和Z来说GIN成立,那么X中的共同原因变量d-分离X和Z。同时本文证明了传统的独立噪声条件(independent noise(IN))是GIN的一个特例,即如果没有隐的混淆变量,因变量独立于与果变量跟因变量回归后的残差。进一步地,本文基于GIN提出了一种两步的算法去定位隐变量和学习隐变量间的因果次序。在虚拟数据和真实数据上的结果都说明了我们算法更加有效和可靠。

关键词：因果关系因果发现函数因果模型测量模型隐变量

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：