一种基于自适应权重点卷积的因果方向判别方法技术

本发明专利技术涉及一种基于自适应权重点卷积的因果方向判别方法，基于自适应权重点卷积的因果方向判别方法包括如下步骤：步骤S1，设置二变量样本的局部区域范围，确定每个样本的邻近样本，并将每个样本连同其邻近样本输入网络；步骤S2，利用自适应权重点卷积来提取每个样本及其邻近样本的局部特征；步骤S3，利用全局平均池化层在局部特征上提取全局特征；步骤S4，利用全连接层来对全局特征进行分类。本发明专利技术的特征提取方法在提取二变量样本特征时按照自适应权重融合了局部信息从而提取了丰富的局部特征，在此基础上利用全局平均池化提取全局特征，使得全局特征充分融合了二变量的联合分布信息，提升了分类精度。

A causal direction discrimination method based on adaptive weight focus convolution

【技术实现步骤摘要】
一种基于自适应权重点卷积的因果方向判别方法
本专利技术涉及深度学习，涉及因果学习。
技术介绍
大多数统计学习方法都依赖于利用所研究事物之间的相关关系，然而这些相关关系都是由事物之间潜在的因果关系所引起的，因果关系相比于相关关系更能反映事物的本质联系，因果关系不仅有利于预测任务，更能够帮助人们对事物进行干预。传统的因果关系识别依赖严格的控制实验来进行，然而这类方法往往由于代价高昂或受限于道德约束而不可行。幸运的是，大数据时代的来临使得各种类型的观测数据以指数级的速度不断积累，推动了基于数据驱动的学习算法的发展，利用机器学习、深度学习算法在观测数据上进行因果关系挖掘具有重大的研究意义。因果关系方向识别任务的内容为给定两个确定具有因果关系的变量的若干样本，以此判断两个变量之间因果关系的方向，即判断哪个变量是因，哪个变量是果。传统的方法利用统计假设检验的方法利用两种因果方向之间的差异来进行判断，但是这类方法需要预先对数据的分布类型以及因果机制的类型做出强假设才能实施，往往不能应用到实际应用场景中。近年来也有利用诸如神经网络等强大分类器，将因果方向的判别问题看做二分类问题，在模拟因果数据上进行训练，在真实因果数据上进行测试的方法，但是这类方法提取变量特征的方式为首先单独提取每个样本的个体特征，然后再提取全局特征，缺少了对局部特征的提取，限制了分类精度。
技术实现思路
本专利技术的目的是提供一种能够充分提取变量样本局部特征的因果方向判别方法。为解决上述技术问题，本专利技术提供了一种基于自适应权重点卷积的因果方向判别方法，包括如下步骤：步骤S1，设置二变量样本的局部区域范围，确定每个样本的邻近样本，并将每个样本连同其邻近样本输入网络；步骤S2，利用自适应权重点卷积来提取每个样本及其邻近样本的局部特征；步骤S3，利用全局平均池化层在局部特征上提取全局特征；步骤S4，利用全连接层来对全局特征进行分类。进一步，步骤S1中，令二变量X，Y的数据集为其中si＝(xi，yi)为二变量样本集合中的第i个样本，xi，yi分别为二变量X，Y的采样值，nd为样本的个数。对数据集中的每一个二变量样本si，令其局部区域为以该样本为中心，半径为r的圆形区域，定义在该区域内的其余样本为样本si的邻近样本，将数据集中每一个样本作为中心样本连同其邻近样本集作为输入数据输入到分类网络中。进一步，步骤S2中，使用自适应权重点卷积同时提取中心样本特征及与邻近样本集的关系特征并进行融合，这样就提取到了局部特征。对于中心样本si，定义其由自适应权重点卷积操作计算得到的局部特征为：其中IDi为中心样本si的局部区域的逆密度系数，当局部区域样本密度大时该区域带来的信息冗余量就大，局部区域的样本密度越小，其局部特征的重要性也就越大，因此这里选择逆密度系数来作为局部特征的权重，其计算方式如下式所示，其中nd为中心样本的个数，为中心样本si局部区域内邻近样本的个数，我们令中心样本局部区域的面积为单位面积1，则就是si局部区域的邻近样本密度，指样本sq的局部区域邻近样本个数，q∈[1，...，nd]。σ为非线性映射；sij指中心样本si的第j个相邻样本，其中dij为si与sij的欧氏距离，r为中心样本si局部区域的半径；Wr为提取zi和sij的关系特征的参数，[si，sij]表示样本si与sij的拼接向量，Wc为提取si的个体特征的参数；wij为基于si和sij的欧氏距离的关系特征权重，表示si和sij的关系特征的重要性，在样本si的局部区域内，各个相邻样本与si的距离不尽相同，与si距离越近的邻近样本所携带的冗余信息量就越大，因此其与中心样本的关系特征重要性就越小，反之重要性越大，因此这里使用中心样本与邻近样本的欧氏距离来计算关系特征的权重wij，其计算方式如下式所示，其中diz表示中心样本si与其邻近样本siz的欧氏距离。进一步，步骤S3中，自适应权重点卷积提取到了每个中心样本的特征其中i代表中心样本的序号，代表特征向量第一个维度的取值，l代表特征向量的长度。这里使用全局平均池化层，在每一维度对所有样本特征值求平均，以此得到全局特征Fg，计算方式如下：进一步，步骤S4中，由全局平均池化操作得到的全局特征，充分融合了所有样本的个体特征及局部特征，最后使用全连接层对该全局特征进行分类。附图说明图1是本专利技术流程图。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。实施例1如图1所示，本实例提供了一种基于自适应权重点卷积的因果方向判别方法，包括如下步骤：步骤S1，设置二变量样本的局部区域范围，确定每个样本的邻近样本，并将每个样本连同其邻近样本输入网络；步骤S2，利用自适应权重点卷积来提取每个样本及其邻近样本的局部特征；步骤S3，利用全局平均池化层在局部特征上提取全局特征；步骤S4，利用全连接层来对全局特征进行分类。所述步骤S1中，令二变量X，Y的数据集为其中si＝(xi，yi)为二变量样本集合中的第i个样本，xi，yi分别代表二变量X，Y的值，nd为样本的个数。对数据集中的每一个二变量样本si，令其局部区域为以该样本为中心，半径为r的圆形区域，例如r＝0.01。定义在该区域内的其余样本为中心样本si的邻近样本，将数据集中每一个样本作为中心样本连同其邻近样本集作为输入数据输入到分类网络中。所述步骤S2中，使用自适应权重点卷积同时提取中心样本特征及与邻近样本集的关系特征并进行融合得到局部特征。对于样本si，利用下式计算得到其局部特征所述步骤S3中，自适应权重点卷积提取到了每个中心样本的特征这里使用全局平均池化层，在每一维度对所有样本特征值求平均，以此得到全局特征Fg，计算方式如下：所述步骤S4中，由全局平均池化操作得到的全局特征，充分融合了所有样本的个体特征及局部特征，最后使用含有三层的全连接层对该全局特征进行分类，输出分类结果，即因果方向为为X→Y还是X←Y。本文档来自技高网...

【技术保护点】
1.一种基于自适应权重点卷积的因果方向判别方法，其特征在于，包括如下步骤：步骤S1，设置二变量样本的局部区域范围，确定每个样本的邻近样本，并将每个样本连同其邻近样本输入网络；步骤S2，利用自适应权重点卷积来提取每个样本及其邻近样本的局部特征；步骤S3，利用全局平均池化层在局部特征上提取全局特征；步骤S4，利用全连接层来对全局特征进行分类。

【技术特征摘要】
1.一种基于自适应权重点卷积的因果方向判别方法，其特征在于，包括如下步骤：步骤S1，设置二变量样本的局部区域范围，确定每个样本的邻近样本，并将每个样本连同其邻近样本输入网络；步骤S2，利用自适应权重点卷积来提取每个样本及其邻近样本的局部特征；步骤S3，利用全局平均池化层在局部特征上提取全局特征；步骤S4，利用全连接层来对全局特征进行分类。2.根据权利要求1所述的基于自适应权重点卷积的因果方向判别方法，其特征在于，所述步骤S1中，对二变量数据的每一个样本，以该样本为中心样本，令其局部区域为以该样本为中心，半径为r的圆形区域，定义在该区域内的其余样本为中心样本的邻近样本，将二变量数据中每一个样本作为中心样本连同其邻近样本集作为输入数据输入到分类网络中。3.根据权利要求2所述的基于自适应权重点卷积的因果方向判别方法，其特征在于，所述步骤S2中，使用自适应权重点卷积同时提取中心样本特征及中心样本与邻近样本集的关系特征并进行融合，这样就提取到了局部特征；令二变量数据的样本数为nd，即nd个中心样本，对于中心样本si，i∈[1，...，nd]，其中i为样本的索引，定义其由自适应权重点卷积操作计算得到的局部特征为：其中IDi为中心样本si的局部区域的逆密度系数，...

【专利技术属性】
技术研发人员：李建强，白骏，刘雅琦，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11