基于因果推断的隐网络结构学习
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·论文研究背景及意义 | 第8-10页 |
| ·因果贝叶斯网络的研究现状 | 第10-13页 |
| ·因果贝叶斯网络结构学习算法研究现状 | 第10-12页 |
| ·因果贝叶斯网络应用研究现态 | 第12-13页 |
| ·因果贝叶斯网络学习的前提假设问题 | 第13-14页 |
| ·数据完整性假设 | 第13页 |
| ·无选择偏好假设 | 第13页 |
| ·变量离散化假设 | 第13-14页 |
| ·忠实性假设 | 第14页 |
| ·马尔科夫假设 | 第14页 |
| ·因果充分性假设 | 第14页 |
| ·本文的主要工作和组织结构 | 第14-16页 |
| ·本文的主要工作 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第二章 因果贝叶斯网络的理论框架 | 第16-26页 |
| ·引言 | 第16页 |
| ·因果贝叶斯网络的表示 | 第16-17页 |
| ·因果贝叶斯网络的建模 | 第17-20页 |
| ·基于打分-搜索的因果贝叶斯网络结构学习 | 第18-20页 |
| ·基于依赖分析的因果贝叶斯网络结构学习 | 第20页 |
| ·因果贝叶斯网络中的独立关系 | 第20-22页 |
| ·条件独立 | 第20-21页 |
| ·因果影响独立 | 第21-22页 |
| ·环境独立 | 第22页 |
| ·因果推理 | 第22-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 因果贝叶斯网络的结构学习算法 | 第26-38页 |
| ·相关概念 | 第26-28页 |
| ·FCI 算法 | 第28-31页 |
| ·MBCS*算法 | 第31-33页 |
| ·学习马尔科夫毯 | 第32页 |
| ·移除 SD 连接边 | 第32-33页 |
| ·确定边的方向 | 第33页 |
| ·RFCI 算法 | 第33-36页 |
| ·本章小结 | 第36-38页 |
| 第四章 改进的因果贝叶斯网络的结构学习算法 | 第38-50页 |
| ·BSPC 算法 | 第38-41页 |
| ·IPKOED 算法 | 第41-42页 |
| ·BSPC 算法的理论分析 | 第42-45页 |
| ·学习真正的邻居节点 | 第42-44页 |
| ·确定 V-结构 | 第44-45页 |
| ·确定尽可能多的边的方向 | 第45页 |
| ·仿真实验 | 第45-48页 |
| ·本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| ·工作总结 | 第50-51页 |
| ·研究展望 | 第51-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 硕士期间论文发表情况及科研成果 | 第60-61页 |
