內容簡介
因果關繫嚴格區分了“因”變量和“果”變量,在揭示事物發生機制、指導干預行為等方面具有相關關繫不可替代的重要作用。在大數據時代,如何探索海量、高維、觀察性的數據背後的因果機制具有重要的商業價值和科學意義。觀察數據的因果關繫方向判斷困難、高維數據的因果結構發現能力不足、現有算法適用場景有限等仍然嚴重阻礙著因果推斷領域的發展,是當前因果關繫研究的難點和熱點。《大數據中的因果關繫發現》從因果關繫與相關關繫之間的區別與聯繫出發,從因果關繫模型、因果關繫發現方法、因果關繫與機器學習關繫等角度對上述進展進行探討,並對作者研究團隊關於上述問題的一些**研究進展進行總結。
目錄
目錄
前言
第1章 導論 1
1.1 因果關繫的概念 1
1.2 因果關繫與相關關繫 2
1.3 因果關繫與機器學習 3
1.4 基於實驗與基於觀察數據的因果關繫發現 4
1.5 小結 6
參考文獻 6
第2章 基礎知識 7
2.1 貝葉斯網絡 7
2.2 函數因果模型 9
2.3 獨立性假設檢驗 10
2.3.1 離散數據的G2檢驗 11
2.3.2 線性數據的偏相關檢驗 12
2.3.3 非線性數據的核條件獨立性檢驗 13
2.4 回歸分析 15
2.4.1 線性數據的*小二乘回歸 15
2.4.2 非線性數據的高斯過程回歸 17
2.5 小結 19
參考文獻 19
第3章 基於約束的方法 20
3.1 因果網絡結構學習問題 20
3.2 PC算法和IC算法 21
3.2.1 PC算法 21
3.2.2 IC算法 24
3.3 基於V-結構組裝的方法 26
3.3.1 V-結構的誤發現問題 26
3.3.2 V-結構的組裝策略 26
3.4 應用 33
3.5 小結 35
參考文獻 36
第4章 基於函數因果模型的方法 38
4.1 典型數據的函數因果模型 38
4.1.1 面向線性非高斯噪聲數據的方法 38
4.1.2 面向非線性噪聲數據的方法 42
4.1.3 面向後非線性數據的方法 46
4.2 離散數據的低秩隱狀態函數因果模型 47
4.2.1 低秩隱狀態函數因果模型 48
4.2.2 低秩隱狀態函數因果模型的可識別性 51
4.3 應用 52
4.3.1 移動通信網絡性能之間的因果關繫 52
4.3.2 鮑魚身體特征與年齡的因果關繫 54
4.3.3 匹茲堡橋結構參數之間的因果關繫 56
4.4 小結 57
參考文獻 58
第5章 混合型方法 59
5.1 分治策略 59
5.1.1 算法框架 59
5.1.2 因果分割集搜索算法 62
5.1.3 局部結構化合並算法 63
5.1.4 理論分析 65
5.2 組裝策略 67
5.2.1 算法框架 67
5.2.2 局部結構生成算法 69
5.2.3 基於傳播的權重增強算法 70
5.2.4 基於**無環子圖的因果排序算法 71
5.2.5 結合因果排序的冗餘邊剔除算法 74
5.3 融合策略 75
5.3.1 函數因果似然度模型 75
5.3.2 函數因果似然度模型的可識別性分析 78
5.4 應用 79
5.5 小結 81
參考文獻 81
第6章 其他相關主題 83
6.1 時序數據上的因果關繫發現 83
6.1.1 格蘭傑因果關繫 83
6.1.2 基於函數因果模型的時序因果關繫發現算法 85
6.1.3 時序因果關繫發現在社交網絡上的應用 87
6.2 不完全觀察數據上的隱變量發現 97
6.2.1 隱變量發現算法 98
6.2.2 基於函數因果模型的隱變量發現算法 99
6.2.3 隱變量發現在外行星探測中的應用 104
6.3 因果關繫與遷移學習 105
6.3.1 遷移策略 106
6.3.2 不同因果機制下的可遷移性問題 108
6.3.3 遷移學習在遙感圖像分類中的應用 111
6.4 小結 113
參考文獻 114
彩圖