检索结果-内蒙古大学图书馆

计算机科学与探索 2021年第4期15卷 754-765页

作者：王雲霞曹付元凌兆龙山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006 安徽大学计算机科学与技术学院合肥230601

局部因果结构学习是发现和学习给定一个目标变量的直接原因和直接结果而无需学习一个完整因果网络的过程。目前已有算法通常由两个步骤完成:步骤1使用约束类算法利用独立性测试学习目标变量的马尔科夫毯(MB)或父子节点集(PC),但是该步... 详细信息

局部因果结构学习是发现和学习给定一个目标变量的直接原因和直接结果而无需学习一个完整因果网络的过程。目前已有算法通常由两个步骤完成:步骤1使用约束类算法利用独立性测试学习目标变量的马尔科夫毯(MB)或父子节点集(PC),但是该步骤由于受到有限的数据样本量等因素影响使得独立性测试存在一定的错误性,而导致该步骤精度通常不是很高;步骤2利用V结构及Meek规则来进行边的定向,但是该步骤由于极其依赖于V结构的发现且同样受到有限样本的影响,使得算法精度相对不是很高。基于上述问题,提出利用打分和限制相结合的混合方式来缓减有限样本问题且提高算法精度。步骤1通过在基于限制的算法中加入打分思想来提高数据有效性,进而提出SIAPC算法;步骤2通过利用PC算法得到的定向结果和对部分数据集打分得到的定向结果的交集来确定边的方向,以此来降低对V结构的依赖性且缓减有限样本问题,之后使用独立性测试修正边的定向结果来进一步提高算法精度,进而提出HLCS算法。在标准贝叶斯网络上,实验验证了该算法相对于已有算法在精度方面具有更好的性能且能够有效缓减数据效率问题。

关键词：贝叶斯网络局部因果结构学习马尔科夫毯(MB) V结构

来源：评论

学校读者我要写书评

暂无评论

航班保障因果分析框架

引用

北京航空航天大学学报 2023年第9期49卷 2234-2243页

作者：邢志伟张林罗谦夏欢文涛张涛中国民航大学电子信息与自动化学院天津300300 中国民用航空局第二研究所工程技术研究中心成都610041

航班离港延误是民航界一致关注并希望解决的重点及难点问题。针对航班离港延误产生原因不明晰及因果影响强度不确定的问题,提出了BLCNS-LV-IDA因果分析框架,从因果推断的角度出发,在航班地面保障业务范畴领域内,从定性和定量2个层面对... 详细信息

航班离港延误是民航界一致关注并希望解决的重点及难点问题。针对航班离港延误产生原因不明晰及因果影响强度不确定的问题,提出了BLCNS-LV-IDA因果分析框架,从因果推断的角度出发,在航班地面保障业务范畴领域内,从定性和定量2个层面对航班离港推出延误进行因果分析。以航班离港推出延误时长为目标变量,基于特征选择和极大祖先图贪婪搜索(GSMAG)算法结合的BLCNS局部因果网络结构发现算法,构建因果网络模型;根据得到的因果网络,基于LV-IDA算法对各等价网络中的边缘进行因果效应评估。实验结果表明:BLCNS局部因果网络结构发现算法在处理变量较多的大样本数据集时有一定的优势,在50节点集的1 000、5 000、10 000样本量下,F1值较基线算法分别提高了-0.303、0.008、0.132,呈明显上升趋势,且在运行时间方面至少缩短16.29%。节点间的因果效应明确了各节点对航班延误的具体影响强度,为航班保障的精细化管理、减少航班延误提供了指导。

关键词：航班离港延误航班地面保障特征选择局部因果结构学习因果效应评估

来源：评论

学校读者我要写书评

暂无评论

局部因果学习驱动的多标签特征选择研究

局部因果学习驱动的多标签特征选择研究

引用

作者：蔡明珠合肥工业大学

学位级别：硕士

多标签特征选择在高维多标签学习任务中起着至关重要的作用,并被广泛用于文本分类,Web数据挖掘等领域。现有的多标签特征选择方法主要是探索特征-标签、特征-特征和标签-标签的相关关系中的两种,少数方法能够同时处理三种类型的相关关... 详细信息

多标签特征选择在高维多标签学习任务中起着至关重要的作用,并被广泛用于文本分类,Web数据挖掘等领域。现有的多标签特征选择方法主要是探索特征-标签、特征-特征和标签-标签的相关关系中的两种,少数方法能够同时处理三种类型的相关关系。如果能够同时考虑三种相关关系,可以获得带有更多辨识信息的特征子集,用于构建性能更加优越的预测模型。为了解决这个问题,本文将多标签特征选择问题转化为局部因果结构学习问题,围绕局部因果结构学习驱动的多标签特征选择问题展开研究,主要研究内容如下:(1)为了能够同时处理多标签数据中的特征-标签,特征-特征与标签-标签之间的关系,本文提出了一种基于局部因果结构的多标签特征选择(Local Causal Structure based Multi-label Feature Selection,CBMFS)算法。该算法首先将包含所有变量的多标签数据集视作一个整体,使用传统的因果特征选择方法学习数据集上每个标签变量的局部因果结构,从而能够考虑到三种相关关系,并且能够处理高维的多标签数据;然后,为了弥补前一步中所构造的局部结构中存在其它标签变量导致的部分特征丢失问题,CBMFS学习每个标签在不考虑其他标签情况下的局部因果结构;最后通过一个选择性删除错误特征的过程对前两步得到的特征集合进行处理,得到用于构建预测模型的特征子集。实验结果表明所提出的方法拥有较为良好的性能表现。(2)为了进一步研究其中标签-标签相关性对结构学习过程的影响,即传统的因果特征选择方法应用于多标签数据会因标签间相关性造成部分相关特征丢失的问题,本文提出了一种具有结构修正能力的因果多标签特征选择(Structure-Correct Causal Multi-label Feature Selection,SCMFS)算法。该算法首先将特征与标签都视作普通变量,学习包含所有变量的多标签数据集的情况下每个标签的局部因果结构,然后在已知结构的基础上通过提出一个选择性找回特征的方法找回因标签间相关性丢失的特征,最后通过选择性排除错误特征的方法将有可能错误的特征从前面两步得到的特征子集中移除,得到最终用于构建预测模型的特征子集。实验结果表明所提出的算法性能表现优异。

关键词：多标签数据特征选择局部因果结构学习马尔可夫毯

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：