.png){kind=icon}
返回
Causal discovery using dynamically requested knowledge
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2025.113185.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
因果贝叶斯网络（CBNs）是用于在复杂现实系统中进行不确定性推理的重要工具。确定CBN的图结构仍然是一个关键挑战，其方法包括从人类获取、使用机器学习从数据中学习，或采用这两种方法的结合。在后一种情况下，人类知识通常在算法开始前提供给算法，但本文探讨了一种新颖的方法，其中结构学习算法本身动态地识别并请求关于其在校验学习过程中识别为不确定的关系的知识。我们将这种方法整合到禁忌搜索结构学习算法中，并证明其在结构准确性方面带来了显著的提升，这些提升通常大于现有知识整合方法所提供的提升。我们建议，一种仅请求有向边方向信息的变体，可能在实践者对因果关系缺乏先验知识的情况下特别有用。除了提高准确性，该方法还能更有效地利用人类专业知识，并有助于使结构学习过程更加透明。
Keyword:
Causal discovery
Active learning
Information fusion
Structure learning
Knowledge constraints
Bayesian networks
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。