一种高维数据的因果推断算法

张浩

doi:10.3969/j.issn.1007-7162.2015.01.024

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

一种高维数据的因果推断算法

综合研究 | 更新时间：2026-05-27

- 一种高维数据的因果推断算法
- An Approach to Highdimensional Data Causality Inference
- 广东工业大学学报 2015年32卷第1期页码：117-120
- 作者机构：
- 作者简介：
  
  张浩（1989-）, 男, 硕士研究生, 主要研究方向为智能计算.
- 基金信息：
  
  国家自然科学基金资助项目(61100148;61202269)
- DOI：10.3969/j.issn.1007-7162.2015.01.024
  中图分类号：
- 网络首发：2015-03-05，
  
  纸质出版：2015
- 稿件说明：
移动端阅览
张浩. 一种高维数据的因果推断算法[J]. 广东工业大学学报, 2015, 32(1): 117-120.

Zhang Hao. An Approach to Highdimensional Data Causality Inference[J]. 2015, 32(1): 117-120.
张浩. 一种高维数据的因果推断算法[J]. 广东工业大学学报, 2015, 32(1): 117-120. DOI： 10.3969/j.issn.1007-7162.2015.01.024.

Zhang Hao. An Approach to Highdimensional Data Causality Inference[J]. 2015, 32(1): 117-120. DOI： 10.3969/j.issn.1007-7162.2015.01.024.

摘要

发现数据间的因果关系是科学领域的一个重要问题，然而在高维数据中的因果推断暂时还没有有效的算法. 这里提出了一种基于条件独立性测试和互信息的适应于高维数据的因果推断算法. 该算法先用条件独立性测试和互信息降低数据集的维度，然后利用一种基于非线性加噪声模型的算法对节点间的方向进行判别. 数据试验表明，该算法在高维数据的情况下要优于目前其他的算法.

Abstract

Discovering causality from the data set is one of the basic problems in the scientific field. However

there is still no effective algorithm to discover causalities from highdimensional data. We present an algorithm for large scale causality discovery

which is based on conditional independence test and mutual information. Firstly

the algorithm reduces the dimensionality of data set by conditional independence test and mutual information

and then we employ an approach based on nonlinear additive noise models to distinguish the directions between nodes. Experimental results show that it outperforms other methods.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

结合ReliefF和互信息的多标签特征选择算法

基于AAGV-YOLOX模型的输电线路异物检测研究

面向灾后救援的多无人机通感算一体化资源分配优化方法

多尺度对比嵌入增强的自适应入侵检测模型

人工噪声辅助无人机太赫兹安全通信的鲁棒设计