基于靈敏性分析的貝葉斯網(wǎng)絡(luò)擾動(dòng)學(xué)習(xí)方法研究.pdf

1、利用數(shù)據(jù)發(fā)現(xiàn)結(jié)構(gòu)模型中的因果關(guān)系是機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)重要研究?jī)?nèi)容。當(dāng)前的結(jié)構(gòu)模型因果發(fā)現(xiàn)主要有兩類，一種是直接利用觀察數(shù)據(jù)的被動(dòng)學(xué)習(xí)方法，另一種是結(jié)合觀察數(shù)據(jù)和擾動(dòng)數(shù)據(jù)的擾動(dòng)學(xué)習(xí)方法?；谶@兩類方法，引入靈敏性分析理論，研究了因果結(jié)構(gòu)模型的因果結(jié)構(gòu)和參數(shù)的特性，并利用實(shí)驗(yàn)驗(yàn)證的因果結(jié)構(gòu)模型特性分析的有效性。本文的內(nèi)容可以分為以下幾個(gè)部分：
　　 (1)簡(jiǎn)要介紹了貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)的擾動(dòng)學(xué)習(xí)和靈敏性分析等

2、因果學(xué)習(xí)方法和技術(shù)的研究現(xiàn)狀。
　　 (2)針對(duì)擾動(dòng)學(xué)習(xí)中的擾動(dòng)結(jié)點(diǎn)難以確定的問題，提出了一種基于參數(shù)靈敏性分析的擾動(dòng)結(jié)點(diǎn)擾動(dòng)選擇的因果網(wǎng)絡(luò)擾動(dòng)學(xué)習(xí)算法(Intervention Learning of Parameter Sensitivity Analysis,ILPSA)。ILPSA算法對(duì)于給定的先驗(yàn)網(wǎng)絡(luò)，通過局部網(wǎng)絡(luò)參數(shù)的靈敏性分析擾動(dòng)選取靈敏性結(jié)點(diǎn)作為擾動(dòng)結(jié)點(diǎn)，進(jìn)而對(duì)擾動(dòng)結(jié)點(diǎn)的擾動(dòng)干擾產(chǎn)生擾動(dòng)數(shù)據(jù)，然后聯(lián)合觀察數(shù)據(jù)和擾

3、動(dòng)數(shù)據(jù)利用最大似然估計(jì)的方法(MLE)進(jìn)行因果網(wǎng)絡(luò)的學(xué)習(xí)，利用KL-divergence對(duì)學(xué)習(xí)的結(jié)果進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明ILPSA算法在樣本很小的情況下，學(xué)習(xí)到的結(jié)果明顯好于隨機(jī)選擇擾動(dòng)結(jié)點(diǎn)和被動(dòng)MLE學(xué)習(xí)的方法。
　　 (3)由于利用觀察數(shù)據(jù)不能夠有效地學(xué)習(xí)到因果結(jié)構(gòu)，需要通過外部的擾動(dòng)進(jìn)一步收集關(guān)于因果結(jié)構(gòu)的信息。提出了一種基于局部靈敏性分析的主動(dòng)選擇擾動(dòng)邊的因果結(jié)構(gòu)擾動(dòng)學(xué)習(xí)算法（Intervention Learning