LiNGAM模的剪枝算法研究.pdfVIP

ADissertationSubmittedto of University Guangdong Technology for the ofMaster Degree (Master Science) ofEngineering on the forLiNGAM Study Strategies Pruning Candidate：Lv Hongwei Supervisor：Prof．HaoZhifeng May2015 Schoolof Scienceand Computer Technology of GuangdongUniversity Technology 0006 Guangzhou，Guangdong，P．R．China，51 万方数据 摘要 摘要 如何有效挖掘数据中蕴含的因果关系是自然科学研究的基础问题。统计学中变量 之间的相关性不等于因果关系。变量之间的因果关系应当具有可预测性，可解释性， 以及可干预性等特征。Pearl等人在贝叶斯网的理论基础上，通过附加因果马尔科夫等 假设提出了因果模型的基础理论。该因果模型采用有向无环图来直观地描述，并采用 贝叶斯网络作为基本的推理工具。在贝叶斯网络结构学习之后，因果结构学习与推断 成为近年来新的研究热点。 因果结构学习与贝叶斯网络结构学习均是从观察数据中去寻找一组变量的结构， 但是因果结构学习得到的是变量之间的因果关系，而不仅是相关性。因果结构学习中 与Hoyer等人提出的加噪因果模型表明，噪音的分布与变量关系的非线性等特征为因 果关系方向的识别提供了重要依据。基于此，因果结构学习可分为判断是否存在因果关 系与识别因果关系的方向两个基本问题。 构学习算法，适用于变量数目不多且样本数目充足的因果结构学习。然而本文发现 LiNGAM算法所采取的剪枝策略仅依据假设检验等统计学理论，并未考虑到马尔科夫 条件这个因果模型的基本假设，并且存在时问复杂度高，在稀疏图上剪枝准确率相对 较低的问题。剪枝目的是判断因果关系是否存在，这是识别因果关系的基本问题之一。 本文根据贝叶斯网的条件独立性测试的方法，提出了新的剪枝策略。该策略依据 因果顺序，将变量的马尔科夫毯作为条件集判断变量之问的条件独立性进行剪枝。由 于偏相关系数较为准确的反应判断线性因果模型中变量之间的条件独立性，该策略采 用偏相关系数检验作为条件独立性测试的方法。该策略仅需两次条件独立性测试来判 断因果关系是否存在，所需的条件独立性测试的次数远小于Spirtes等提出的PC等经 典的贝叶斯网络结构学习算法。本文在模拟数据上与LiNGAM算法采用的剪枝算法进 行了充分的对比实验。实验表明本文算法准确率高，误剪枝率低。 关键词：因果