马尔可夫毯与多数投票因果发现评估.pdfVIP

第35卷摇第3期计算机技术与发展Vol.35摇No.3

2025年3月摇摇摇摇摇摇摇摇摇摇COMPUTERTECHNOLOGYANDDEVELOPMENT摇摇摇摇摇摇摇摇摇摇Mar.摇2025

马尔可夫毯与多数投票因果发现评估

12122*

李廷鹏,王摇雷,彭丹华,廖摇军,刘摇礼

(1.电子信息系统复杂电磁环境效应国家重点实验室,河南洛阳471003;

2.重庆大学大数据与软件学院,重庆401331)

摘摇要:近年来,因果学习因其卓越的可解释性,成功地与深度学习相结合。在因果学习中,由于自然数据的收集难度和

高成本,过去的研究主要依赖于合成数据集进行因果发现的验证。然而,合成数据集和半真实数据集常包含较多的人工

控制,无法真实反映因果发现算法在实际场景中的表现。为解决这一问题,提出了一种在缺乏真实因果图的情况下评估

因果发现方法的新策略。具体而言,将数据集划分为训练集和测试集,在训练集上进行因果发现以构建因果图,然后在测

试集上验证该因果图。验证过程包括马尔可夫毯测试和因果图中每条边的因果方向判别,最终通过多数投票策略集成判

别结果。在合成数据集和真实数据集上进行了全面的实验,结果表明,该方法在评估因果图的准确性和泛化性方面具有

显著的有效性。这一方法为因果发现算法在真实场景中的性能评估提供了新的途径,提升了因果学习的应用潜力和可

信度。

关键词:因果发现;马尔可夫毯测试;数据集分割;多数投票策略;因果非对称识别方法

中图分类号:TP181摇摇摇摇摇摇摇文献标识码:A摇摇摇摇摇摇文章编号:1673-629X(2025)03-0117-08

doi:10.20165/ki.ISSN1673-629X.2024.0342

MarkovBlanketandMajorityVotingforCausalDiscoveryAssessment

12122*

LITing-peng,WANGLei,PENGDan-hua,LIAOJun,LIULi

(1.StateKeyLaboratoryofComplexElectromagneticEnvironmentalEffectsonElectronicsand

InformationSystem,Luoyang471003,China;

2.SchoolofBigDataandSoftwareEngineering,ChongqingUniversity,Chongqing401331,China)

Abstract:Inrecentyears,causallearninghassuccessfullymergedwithdeeplearningduetoitsexcellentinterpretability.Incausal

learning,thecollectionofnaturaldataisoftendifficultandcostly,leadingpastresearchtoprimarilyrelyonsyntheticdatasetsfor

validatingcausaldiscovery.However,syntheticandsemi-re