面向高效局部因果结构学习
人工智能
2021-01-12 v3 机器学习
机器学习
摘要
局部因果结构学习旨在从数据中发现并区分感兴趣变量的直接原因（父节点）与直接效应（子节点）。尽管已取得一些进展，现有方法仍需搜索较大空间以区分目标变量 \emph{T} 的直接原因与直接效应。为解决该问题，我们提出一种新颖的高效局部因果结构学习算法，称为 ELCS。具体而言，我们首先提出 N-结构的概念，随后设计一种高效的马尔可夫毯（MB）发现子程序，将 MB 学习与 N-结构相整合，以学习 \emph{T} 的 MB 并同时区分 \emph{T} 的直接原因与直接效应。借助所提出的 MB 子程序，ELCS 从目标变量出发，依次寻找与目标变量相连变量的 MB，并同时在 MB 上构建局部因果结构，直至目标变量的直接原因与直接效应被区分出来。在八个贝叶斯网络上的大量实验验证了 ELCS 相比最先进算法取得了更好的准确率与效率。
引用
@article{arxiv.1910.01288,
title = {Towards Efficient Local Causal Structure Learning},
author = {Shuai Yang and Hao Wang and Kui Yu and Fuyuan Cao and Xindong Wu},
journal= {arXiv preprint arXiv:1910.01288},
year = {2021}
}