.png){kind=icon}
返回
Causal Learning for Continuous Variables with an Improved Bayesian Network Constructed by Symmetric Kernel Function Acceleration
.png){kind=icon}
OA
AI
DOI：10.3390/sym18050731.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于贝叶斯网络的因果结构学习为揭示连续变量间的因果关系提供了有效框架。然而，许多现有连续数据方法仍依赖强参数分布假设，可能引入信息损失并降低贝叶斯网络建模精度。核密度估计（KDE）作为一种更灵活的非参数统计方法，为条件独立性（CI）检验提供了通用框架，能够估计互信息与条件互信息，从而促进潜在结构关系的识别。但KDE基CI检验的高计算成本限制了其在连续变量因果学习中的实际应用。为解决此问题，本研究在快速傅里叶变换（FFT）框架内引入基于径向对称核的加速方案以提高密度估计效率。在此基础上，开发了一种增强型贝叶斯网络结构学习方法，用于连续变量，可在提升变量依赖发现计算效率与经验稳定性的同时，更高效地估计互信息与条件互信息。在适当带宽和网格分辨率下，所提MMHC-FFTKDE框架在消融实验中实现了计算运行时间的缩减与效率提升，同时保持有竞争力的F1分数和SHD用于因果结构发现。
Keyword:
Bayesian network
causal structure learning
symmetric kernel estimation
mutual information
conditional mutual information
conditional independence test
FFT acceleration
