【技术实现步骤摘要】
用于估计观测变量之间的因果关系的方法、装置和系统
本公开涉及数据挖掘
，更特别地涉及一种用于估计观测变量之间的因果关系的方法、装置和系统。
技术介绍
在大数据时代，可以通过各种数据采集途径获得大量的数据。通过对这些数据进行数据分析与挖掘，可以得到很多有用的信息。然而，在众多应用领域中，人们往往只能看到系统的表象，却无法洞察系统背后复杂的作用机理及作用过程，而是仅能获得经验型的理解。因果结构学习致力于基于系统的观测数据，自动还原系统背后复杂的作用机理，还原数据生成过程。目前，因果结构学习技术已被应用于制药、制造、市场分析等多个领域，以便洞察系统本质，继而指导决策，创造价值。在因果结构学习中可以采用各种类型的模型，其中比较常用的包括结构方程模型、布尔可满足因果模型和贝叶斯网络因果模型。结构方程模型是当前用于因果结构学习的一种流行方法，例如LiNGAM模型，CAM模型，ANM模型等都属于结构方程模型。然而，这种类型的模型需要依赖启发式方法学习因果序列知识，因此会导致因果结构学习精度的损失。布尔可满足因果模型是近年来新提出的用于因果结构学习的一种新方法，它基于布尔逻...
【技术保护点】
1.一种用于估计观测变量之间的因果关系的方法，包括：响应于接收到观测变量的观测数据，基于利用所述观测变量进行拟合时的拟合不一致度以及针对所述观测变量的因果网络结构的稀疏度约束，确定用于所述多个观测变量的因果关系目标式，其中所述拟合不一致度基于所述观测变量的加权因子进行调整，所述观测变量的加权因子表示使用除该观测变量之外的其他观测变量来拟合目标变量所需的最小成本的下限；以及利用所述观测数据，通过稀疏因果推理，在有向无环图约束下，对用于所述多个观测变量的因果关系目标式进行最优化求解，以估计所述多个观测变量之间的因果关系。
【技术特征摘要】
1.一种用于估计观测变量之间的因果关系的方法，包括：响应于接收到观测变量的观测数据，基于利用所述观测变量进行拟合时的拟合不一致度以及针对所述观测变量的因果网络结构的稀疏度约束，确定用于所述多个观测变量的因果关系目标式，其中所述拟合不一致度基于所述观测变量的加权因子进行调整，所述观测变量的加权因子表示使用除该观测变量之外的其他观测变量来拟合目标变量所需的最小成本的下限；以及利用所述观测数据，通过稀疏因果推理，在有向无环图约束下，对用于所述多个观测变量的因果关系目标式进行最优化求解，以估计所述多个观测变量之间的因果关系。2.根据权利要求1所述的方法，其中将针对所述多个观测变量的因果关系目标式的稀疏因果推理转换为最优因果序列递归求解的问题，其中基于经过所述观测变量的加权因子调整的拟合不一致度和针对所述观测变量的因果网络结构的稀疏度约束，来确定在已排序因果序列中从起始节点至当前节点所花费的成本和从当前节点至目标节点的预测成本。3.根据权利要求1或2所述的方法，其中所述稀疏度约束是L0稀疏约束。4.根据权利要求2所述的方法，进一步包括：在所述最优因果序列递归求解的过程中：针对生成新的候选因果序列，确定其是否与预定的变量组序列关系相冲突；以及如果确定存在冲突，则丢弃生成的所述新候选因果序列。5.根据权利要求4所述的方法，其中所述预定的变量组序列关系是由领域专家给定的。6.根据权利要求4所述的方法，其中所述预定的变量组序列关系是基于所述观测数据自动确定的。7.根据权利要求6所述的方法，其中所述预定的变量组序列关系是通过下述操作自动确定的：针对所述观测变量中的每个观测变量，获取其潜在的最优父结点集合；基于获取的所述最优父结点集合，生成父关系图；从所述父关系图中抽取强联通组件；通过将所述强联通组件中的每个组件转换成新节点，并当两个强联通组件在父关系图中具有联通性时，在对应的新节点之间增加相应的边，来将所述父关系图转换成新的有向无环图；以及提取所述有向无环图中的强联通组件之间的序列关系，以作为所述预定的变量组序列关系。8.一种用于估计观测变量之间的因果关系的装置，包括：目标式确定模块，响应于接收到观测变量的观测数据，基于利用所述观测变量进行拟合时的拟合不一致度和针对所述观测变量的因果网络结构的稀疏度约束，确定用于所述多个观测变量的因果关系目标式，其中所述拟合不...
【专利技术属性】
技术研发人员：刘春辰，冯璐，卫文娟，
申请(专利权)人：日本电气株式会社，
类型：发明
国别省市：日本,JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。