高维缺失数据因果推断方法研究

发布时间：2021-04-24 02:56

　　随着人工智能、大数据的发展,从观察到的数据中发现因果关系是许多研究领域的一个重要问题。因果关系推断是解释分析的一个强大的建模工具,使当前的机器学习具有可解释性。在医疗、通信、互联网、统计和经济等许多领域都有重要的应用。目前,因果关系推断已从二维变量的研究基础上开始研究对高维数据中因果网络结构的学习。但是利用传统的因果关系推断算法在高维数据中学习因果网络结构和提高学习准确率是目前研究的难点。在复杂的高维数据中,常存在大量的缺失、异常数据,如果处理不好,将会直接影响因果关系推断的准确率。基于以上的问题,本文按照两部分研究思路逐步改进高维数据下的因果推断算法。这两个部分研究思路及创新点分别是:1、基于高维数据异常值问题,本文在引入耦合相关系数（copula dependence coefficient,CDC）的基础上,提出了一种适用于高维数据的两步骤因果关系推断算法。首先该算法引入对异常值数据具有鲁棒性的CDC,对变量间的关联度进行检测,提高目标点的父子节点集的准确,再利用条件独立测试（CI）对父子集点集进一步提炼,删除无关节点;然后使用非线性最小二乘独立回归算法,为图中的目标点与其父子节... 

【文章来源】：南华大学湖南省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外发展现状
    1.3 论文研究的主要目的和内容
        1.3.1 论文的主要研究目的
        1.3.2 论文的主要研究内容
        1.3.3 论文的研究方法
    1.4 论文组织结构
第2章 因果关系基本相关理论
    2.1 概率论知识
    2.2 因果关系模型
        2.2.1 结构因果模型
        2.2.2 因果图表示
        2.2.3 D-分割与V结构
        2.2.4 马尔科夫属性
    2.3 因果推断经典算法
        2.3.1 PC算法
        2.3.2 GES算法
        2.3.3 混合算法
    2.4 因果与机器学习
    2.5 本章小结
第3章 基于CDC的适用于高维数据的因果推断改进算法
    3.1 引言
    3.2 最小二乘独立回归与Copula相关系数
        3.2.1 最小二乘独立回归
        3.2.2 Copula相关系数
    3.3 基于CDC的因果结构学习算法
        3.3.1 无向子图构造
        3.3.2 目标节点与父子节点集PC（y）中每个节点方向识别
        3.3.3 实验环境配置
    3.4 实验结果分析
    3.5 本章小结
第4章 基于深度学习处理缺失数据因果推断改进算法
    4.1 引言
    4.2 缺失机制与GAE
        4.2.1 数据缺失机制
        4.2.2 GAE算法模型
    4.3 缺失数据下因果关系推断的改进算法
        4.3.1 缺失数据的填充
        4.3.2 因果骨架学习
        4.3.3 联合训练因果骨架并进行方向识别
    4.4 实验结果与分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
作者攻读学位期间的科研成果
致谢



本文编号：3156538