因果发现相关论文
针对现有基于观察数据的因果发现算法由于搜索方式不恰当而存在算法识别准确率下降的问题，提出一种基于线性非高斯无环模型的鲁棒因......
观测数据因果关系挖掘是很多学科的基础问题.然而基于约束与因果函数等的现有方法对数据的因果机制具有较强的假设,一般适用于低维......
在过去的三十年中,特征选择作为一种维数约减技术,一直是机器学习领域的研究热点之一。传统的特征选择算法由于仅基于特征与类属性......
近年来,越来越多研究者开始关注因果推断在机器学习、人工智能等领域的解释作用,并已经广泛地应用在社会科学、经济学、医疗学等领......
因果推断方法可以用于在观察数据上发现因果关系。在因果结构含混淆因子的数据上进行因果推断时,可能会受混淆因子的影响而得到错......
社交网络的发展促使人们的交际圈从线下的好友关系延展到线上,成为新媒体时代最具影响力的信息传播途径。在社交时代中,消费者的行......
因果关系是事物之间的主要关系,因果关系的有效发现有助于指导我们的日常工作和决策。但在现实生活中,事物之间因果关系的判定比较......
近年来,线性非高斯无环模型(LiNGAM)在没有任何先验知识的情况下能够从观察数据中完整的识别因果网络而得到越来越多的关注,并在神......
针对工程实践中大量分布、因果不清,产生于复杂系统的序列数据,这类序列数据由于生成机制不明或者复杂,无法通过还原论进行分析,同......
因果发现是知识发现的一个新的研究方向，其目的是从观测数据中找出其隐含的因果关系。虽然应用前景十分美好，但结果评价困难等因素造......
现有的神经网络集成方法主要通过扰动训练数据来产生精确且差异度较大的个体网络,从而获得较强的泛化能力.利用因果发现技术,在取......
线性非高斯无环模型（LiNGAM）具有在没有任何先验知识的情况下能够仅仅从观察数据中完整地识别因果网络的优势,这使得它得到了越来越......
关于关联规则挖掘和因果关系发现之间的关系,较为全面地分析比较结果目前尚不多见。本文在说明关联规则与因果规则各自特点的基础......
