کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4970026 1450024 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Reverse engineering for causal discovery based on monotonic characteristic of causal structure
ترجمه فارسی عنوان
مهندسی معکوس برای کشف علت بر اساس خصوصیات یکنواختی ساختار علیت
کلمات کلیدی
شبکه های بیزی، رابطه علت، ساختار یادگیری، الگوریتم هورستیک، سازگاری دو جانبه،
ترجمه چکیده
شبکه های بیزی یک ابزار مفید برای استدلال علیت در میان متغیرهای تصادفی (گره ها) در زمینه ها هستند. با این حال، یک محدودیت بحرانی این است که ایجاد یک ساختار موثر علمی از مجموعه داده ها بسیار دشوار است. علیرغم الگوریتم های مختلفی که تا به امروز معرفی شده اند، تحقیقات جامع در طراحی یک الگوریتم یادگیری پیشرفته تر مورد نیاز است. در این مقاله، یک الگوریتم یادگیری جدید را بر اساس ویژگی مونوتونیای روابط علی در میان یک زیر مجموعه از گره ارائه می کنیم. به عنوان مثال، مقدار علیت (وابستگی) بین یک گره کودک و گره اصلی آن بیشتر از گره کودک و گره پدربزرگش است. بنابراین، گره کودک یک نمره علیت بالاتر را از گره اصلی خود به دست می دهد از گره پدربزرگ خود. ما مشخصه های مونوتونی را در مجموعه داده های مختلف شناسایی کردیم و روش پیشنهادی را برای به دست آوردن روابط علیت بر اساس ویژگی های مونوتونی طراحی کردیم. نتایج تجربی ما نشان می دهد که روش پیشنهاد شده به طور قابل توجهی بهبود عملکرد در مقایسه با روش های قبلی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
مهندسی معکوس برای کشف علت بر اساس خصوصیات یکنواختی ساختار علیت
چکیده انگلیسی
Bayesian networks provide a useful tool for causal reasoning among random variables (nodes) in fields. However, a critical limitation is that it is extremely difficult to obtain an effective causal structure from datasets. In-depth research is required to design a more sophisticated learning algorithm, despite various such algorithms having been introduced to date. In this paper, we present a novel learning algorithm based on the monotonic characteristic of causal relations among a subset of nodes. For example, the magnitude of the causality (dependency) between a child node and its parent node is greater than that between a child node and its grandparent node. Therefore, a child node obtains a higher causality score under its parent node than its grandparent node. We identified the monotonic characteristic in various datasets and designed the proposed method in order to infer causal relations based on the monotonic characteristic. Our experimental results demonstrate that the proposed method significantly improves performance compared to previous methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 95, 1 August 2017, Pages 91-97
نویسندگان
, , ,