【摘 要】
：
在互联网技术高速发展的当代,各行业领域在日常的生产生活中都产生了海量数据,而能够有效挖掘数据信息且进行形式化表达的因果关系发现问题已成为当前学术界的研究热点之一。因果发现被广泛应用于生物医疗、故障检测和自然语言理解等领域。然而,目前的因果发现算法不能有效地处理服从非线性非高斯分布的连续数据集,大多存在精度一般、计算方式复杂及时间成本高等不足。为此,本文主要研究了加性噪声模型下基于相关系数的因果结构
论文部分内容阅读
在互联网技术高速发展的当代,各行业领域在日常的生产生活中都产生了海量数据,而能够有效挖掘数据信息且进行形式化表达的因果关系发现问题已成为当前学术界的研究热点之一。因果发现被广泛应用于生物医疗、故障检测和自然语言理解等领域。然而,目前的因果发现算法不能有效地处理服从非线性非高斯分布的连续数据集,大多存在精度一般、计算方式复杂及时间成本高等不足。为此,本文主要研究了加性噪声模型下基于相关系数的因果结构学习算法,具体工作如下:首先,我们将对数据分布形态不作要求的等级相关系数应用于贝叶斯结构学习中,提出一种基于等级相关的因果结构学习算法Tau-CS。该算法具有很好的网络结构学习能力,能够挖掘出数据中潜藏的因果关系。然后,通过将Tau-CS算法与特征选择方法相结合,并应用于肺结节检测数据集,提出一种基于等级相关的因果肺结节检测算法Tau-CSFS。该算法能够提供更为丰富的医疗建议,对辅助医生诊断意义重大。其次,针对等级相关系数在时间性能和条件独立性测试上的劣势,我们通过理论研究将偏秩相关系数应用于贝叶斯结构学习中,提出了一种基于阈值选择的PRCB算法。并且由于PRCB算法的最佳阈值需要先验知识和大量实验获得,我们进一步引入统计学的假设检验方法解决了此类缺陷,提出了基于假设检验的PRCS算法。这两种基于偏秩相关的因果结构学习算法既可以有效地处理低维网络上线性高斯或非线性非高斯数据的因果结构学习问题,又可以高效地应对高维网络上大样本数据集的分析问题。最后,为了证明所提算法的可靠性,我们进行了理论分析和大量的对比实验。结果表明,Tau-CSFS算法具有良好的肺结节分类检测性能和广泛的市场应用前景,而PRCB和PRCS算法具有良好的因果数据挖掘能力和极大的市场应用价值。
其他文献
知识图谱是一种用来描述现实世界实体之间相互关系的知识库,其已在搜索、推荐和问答领域得到广泛的应用。大规模的知识图谱难以完全依靠人工构建,因此自动化的构建知识图谱成为了研究的热点问题,其中命名实体识别是构建知识图谱的基础任务之一。目前,基于Transformer的预训练语言模型在解决命名实体识别任务上得到广泛的应用,但这类方法通常需要高质量的标记数据进行微调,难以在无监督或弱监督的情况下实现较好的命
贝叶斯网络是不确定性知识表达与推理的重要工具,是数据挖掘、人工智能和机器学习等领域中的重要研究方向之一。在大数据时代,由于数据的高维度,学习整个贝叶斯网络结构是一个耗时甚至不可能在有限时间内完成的任务,这使得学习一个给定变量的局部贝叶斯网络结构成为一个新的探索方向。然而目前的局部贝叶斯网络结构学习算法仍存在很多问题需要进一步探索,因此,本文开展基于约束的局部贝叶斯网络结构学习算法的相关研究,主要取
近年来深度学习快速发展并攻克了计算机视觉不少难题,然而这些成果通常是建立在大量标注数据的基础上。大量标注数据意味着高昂的成本,且许多应用由于标注数据不足而难以落地。小样本学习旨在通过少量标注数据训练得到一个性能良好的模型而成为受许多人关注的领域。在图像分类任务中,现有的大多数小样本方法仅利用样本视觉信息,而忽略与之相关的文本信息。事实上,在视觉数据较少的情况下,引入其他模态信息并合理运用有助于提升
中国聚变工程实验堆（CFETR）是中国自主设计和研制的衔接EAST和ITER的下一代聚变反应堆。CFETR堆芯部件运行在,高温、强磁场、中子辐照的恶劣环境下,其结构造成不同程度的损伤甚至是失效,严重时影响装置的正常运行。为了确保聚变堆的安全运行,需要定期对堆芯部件进行维护。遥操作是替代人工在恶劣环境下对内部部件进行远程维修的技术。在此背景下,中国科学院等离子体物理研究所遥操作维护团队设计了一款多功
强化学习作为机器学习的重要分支,因其良好的决策能力,近年来受到了广泛关注。将强化学习融合到多智能体系统形成了多智能体强化学习,其已经成为人工智能领域的研究热点。传统的多智能体强化学习算法仅考虑外在动机,即根据环境的外在奖励引导智能体进行策略学习。当外在奖励稀疏或分配不明时,会导致智能体学习缓慢甚至无法学习到有效策略,这就是多智能体强化学习普遍存在的稀疏奖励问题和全局奖励贡献分配问题。本文提出了基于
区块链通过可追溯的分布式账本和非对称加密技术等手段,在不依赖于任何第三方可信机构的前提下,解决了分布式信任问题。因此,基于区块链提供可信的物联网数据已受到了越来越多的关注。共识作为区块链中的核心,需要大量的计算资源,因此资源有限的终端设备无法进行共识。将终端设备的计算任务卸载给边缘计算服务提供商（ESP）或云计算服务提供商（CSP）被认为是移动区块链共识的一种可行的解决方案。本文研究了基于区块链的
传统的视觉同时定位与建图（Simultaneous Localization and Mapping,SLAM）无法完成与环境之间的交互任务,而且当环境中存在动态物体时,系统的定位精度会大幅下降,融合了语义信息的SLAM系统能够较好地解决上述问题。获取周围环境中的语义信息是语义SLAM的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度。因此,本文提
对话问题生成旨在根据给定长文本和对话历史生成对话式问题。在日常生活中,对话式问答更为常见,人们之间进行连续问答来传递信息。对话问题生成可广泛应用于教育、医疗和商业服务等领域,具有较大的应用前景。目前研究对话问题生成的主流方法是基于深度学习技术设计神经网络模型,然而模型生成的对话问题距离应用仍有很大的差距。本文主要基于序列到序列模型和预训练模型来分析如何提升对话问题生成的性能,本文主要的工作如下:（
随着无线通信技术和先进传感器制造技术的发展,车载自组织网络（Vehicular Ad hoc Networks,VANETs）中的V2V通信越来越受到业界和学术界的关注。这种以高速移动的车辆为通信节点的无线通信机制受到信道资源有限和网络拓扑结构不稳定的限制。为有效提高网络性能和通信的稳定,本文首先在对车辆进行分簇的前提下,通过合理控制车辆在高节点密度环境下的通信发射功率,提出一种基于串行干扰消除（
小样本语义分割的目的是在仅有少量带标注的训练数据可用的情景下训练模型,让模型学习到具有通用性的分割能力,从而在新类上也能保持较好的分割效果。现有的小样本语义分割模型往往使用单一原型描述整个类别,然而由于样本量匮乏和类内变化的存在,生成的单一原型往往不具有代表性,存在语义模糊的问题。此外现有方法使用全局平均池化提取类别原型,忽略了对于背景信息的使用,然而前景和背景特征之间往往存在语义关联。针对以上问