科研之友
微信
新浪微博
Facebook
分享链接
摘要
线性非高斯无环模型(Linear Non-Gaussian Acyclic Models, LiNGAM)已经被证明能有效区分马尔科夫等价类而获得唯一的因果网络，从而得到越来越多研究者关注.现有学习LiNGAM的方法要么难以有效处理高维网络；要么假设网络结构为树结构而去处理高维问题.针对以上问题，本文提出一种以自底向上迭代学习的因果结构方法.该方法主要包括混淆因子识别和叶子节点发现两个技术部分.利用混淆因子的性质识别出任意成对变量的混淆因子，从而实现处理非树结构.利用互信息去衡量节点间的独立性，从而找到叶子节点.与经典的自顶向下的方式相比，自底向上的学习方式能简化数据更新的过程，从而提升高维情况下的性能.在不同规模的仿真因果结构和真实因果结构的实验结果均证明了算法的有效性.
- 单位
