高维数据的因果发现

Causal discovery;

现有的因果发现算法通常在高维数据上不够有效。因为高维降低了发现的准确性并增加了计算复杂性。为了缓解这些问题，我们提出了一种三相方法，以利用特征选择方法和两种最先进的因果发现方法来学习非线性因果模型的结构。在第一阶段，采用基于最大相关度和最小冗余度的贪婪搜索方法来发现候选因果集，并据此生成因果网络的粗略骨架。在第二阶段，探索基于约束的方法以从粗糙骨架中发现准确的骨架。在第三阶段，进行方向学习算法IGCI，以将因果关系的方向与准确的骨架区分开。实验结果表明，所提出的方法既有效又可扩展，特别是在高维数据上有有趣的发现。

文件下载

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

高维数据的因果发现

文件下载

评论信息

其他资源

免责申明

个人信息

相关资源标签

热门下载

最新下载