基于因果反饋的缺失數(shù)據(jù)集因果關系發(fā)現(xiàn)

馬從鋰 黃飛虎 弋沛玉 王琳娜 彭艦

摘 要： 因果關系發(fā)現(xiàn)是因果推斷的重要部分，其目標是揭示數(shù)據(jù)內在的生成機制，并以有向無環(huán)圖的形式表示. 然而關于因果關系發(fā)現(xiàn)，現(xiàn)有方法很少考慮到觀察數(shù)據(jù)存在缺失值的情況. 在實際場景中，大量數(shù)據(jù)集存在缺失值，因此估計缺失數(shù)據(jù)集中的因果關系成為一個亟需解決的問題. 本文提出了一種新的基于因果反饋的算法實現(xiàn)關于缺失數(shù)據(jù)集的因果關系發(fā)現(xiàn)，其中生成對抗網絡被用于估計缺失數(shù)據(jù)集的分布，并利用基于Actor-Critic 的因果關系發(fā)現(xiàn)模塊搜索最優(yōu)因果圖，設計了一個基于擴展貝葉斯信息準則的自定義獎勵函數(shù)，引入分類誤差引導模型加速探索過程，提升模型穩(wěn)定性. 在模擬數(shù)據(jù)和真實數(shù)據(jù)上進行的大量實驗結果表明，本文提出的方法在不同數(shù)據(jù)缺失率下優(yōu)于現(xiàn)有方法.

關鍵詞： 深度學習； 缺失數(shù)據(jù)補全； 因果關系發(fā)現(xiàn)； 有向無環(huán)圖

中圖分類號： TP183 文獻標志碼： A DOI： 10. 19907/j. 0490-6756. 2024. 022002

1 引言

因果推斷被用來揭示事物的內在生成機制、發(fā)現(xiàn)事物的運行規(guī)律，在統(tǒng)計學、醫(yī)學、經濟學、法學等眾多領域中都有應用［1］. 因果關系發(fā)現(xiàn)是因果推斷領域非常重要的分支，旨在從數(shù)據(jù)中推導出一個因果關系模型，以揭示數(shù)據(jù)的內在生成機制［2］.