文献

J-GLOBAL ID：202202276225514572   整理番号：22A0992705

カスケード付加的ノイズモデルに基づく因果構造学習アルゴリズム【JST・京大機械翻訳】

Causal Structure Learning Algorithm Based on Cascade Additive Noise Model

著者 (3件)： Qiao Jie (广東工業大学 計算机学院,广州 510006) ,  Cai Ruichu (广東工業大学 計算机学院,广州 510006) ,  Hao Zhifeng (佛山科学技術学院 数学与大数据学院,广東 佛山 528000)
資料名： Jisuanji Gongcheng  (Jisuanji Gongcheng)
巻： 48  号： 1  ページ： 93-98  発行年： 2022年 
JST資料番号： C2532A  ISSN： 1000-3428  CODEN： JISGEV  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 既存のカスケード非線形加法性雑音モデルは隠れた中間変数の因果方向推定問題を解決できるが、隠れ変数とカスケード伝達因果関係を含む因果ネットワーク学習には、大域構造探索、等価類識別できないなどの問題がある。非時系列観測データの2段階因果構造学習アルゴリズムを設計し、第一段階は観測データ変数間の条件独立性に基づいて、基本的な因果ネットワーク骨格を構築し、第二段階はカスケード非線形加法性ノイズモデルに基づいた。異なった因果方向で仮定したエッジ尤度の因果方向推定を,骨格の隣接因果を比較することによって行った。実験結果は,このアルゴリズムが,仮想因果構造データセットの異なった隠れ変数数,平均入力,構造次元,サンプル数,および実際の因果構造データセットにおけるF1値よりも,平均51%高いことを示した。それは,より高い精度とより強いロバスト性を持った。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  因果律 ,  *学習 ,  加成性 ,  方向 ,  ロバスト性 ,  *学習アルゴリズム ,  到来方向推定
準シソーラス用語： *雑音モデル ,  信念ネットワーク ,  尤度 ,  加法性雑音 ,  潜在変数 , 【Automatic Indexing@JST】

分類 (2件)： 計算機網  (JC03000K) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： カスケード ,  ノイズモデル ,  学習アルゴリズム