导　　师： 彭世国

授予学位： 博士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 大数据时代的到来，因果关系推断算法技术在经济学领域、互联网社交网络领域、医疗大数据领域等都得到了广泛的应用。随着日益增长的海量数据以及数据结构高维复杂化趋势，处理高维数据的因果关系推断问题受到国内外专家学者的极大关注。高维数据问题是在行业信息智能化遇到的普遍性问题，解决该领域的相关问题迫在眉睫，已经成为机器学习领域的研究热点问题。本文应用D分离、有向无环图、图分割与变量独立、条件独立性、ANM模型等理论分析工具，对高维数据的因果关系推断问题展开了研究。　　本文的主要研究内容如下:　　1、在绪论中对因果关系推断问题的研究背景、研究意义进行了阐述。并总结了因果关系推断问题的早期研究成果，对当前该领域的研究现状及研究热点问题进行了分类描述，同时简要介绍了对因果关系研究所涉及的一些理论分析工具，最后给出了本文的研究内容及研究意义。　　2、研究了高维因果网络的快速划分方法。针对目前高维数据的因果关系推断速度不理想的问题，本文提出了一种快速划分因果变量的方法:我们提出了一种新颖且高效的因果变量划分方法，该方法能够利用条件独立性测试递归地将原始数据集划分为若干个较小的子数据集，同时保证每一个子数据集都没有破坏原始数据集中相应的D分离性质，因此可以利用现有的因果推断算法分别推断每一个子数据蕴含的因果关系信息，并在之后整合成完整的因果网络图。相对于现有的因果推断方法，该方法采用了一种有针对性的分治策略，在提高了对高维数据因果关系推断效率的同时也保证了准确率。　　3、研究了基于高维因果网络推断因果方向的方法。针对目前高维数据在给定因果骨架结构的前提下对因果方向推断准确率仍然不�

关 键 词： 机器学习 高维数据 因果关系推断算法 模型

领　　域： [] []