基于约束学习的观测数据因果关系发现研究
摘要 | 第1-7页 |
ABSTRACT | 第7-13页 |
第1章 绪论 | 第13-25页 |
·论文研究背景 | 第13-15页 |
·论文研究意义 | 第15-17页 |
·因果关系研究现状 | 第17-21页 |
·因果关系和相关关系 | 第17-18页 |
·因果关系发现方法 | 第18-21页 |
·论文研究思路和章节安排 | 第21-25页 |
第2章 因果关系发现的理论基础 | 第25-37页 |
·概率论基础 | 第25-26页 |
·贝叶斯网络 | 第26-30页 |
·图的基本概念 | 第26-27页 |
·条件独立性 | 第27页 |
·贝叶斯网络学习 | 第27-29页 |
·马尔科夫毯 | 第29-30页 |
·因果关系模型 | 第30-34页 |
·概率模型 | 第30-31页 |
·潜在变量模型 | 第31-33页 |
·因果图模型 | 第33-34页 |
·因果关系假设 | 第34-36页 |
·本章小结 | 第36-37页 |
第3章 因果关系约束学习方法 | 第37-65页 |
·观测数据约束方法 | 第37-45页 |
·辛普森悖论 | 第37-38页 |
·相关性约束 | 第38-41页 |
·条件独立性约束 | 第41-42页 |
·部分关联约束 | 第42-45页 |
·因果关系全局约束 | 第45-52页 |
·因果贝叶斯网络 | 第45-47页 |
·因果网因果关系发现 | 第47-50页 |
·因果网学习方法 | 第50-52页 |
·因果关系局部约束方法 | 第52-58页 |
·V结构 | 第52-54页 |
·Y结构 | 第54-55页 |
·马尔科夫毯 | 第55-56页 |
·局部因果模型学习方法 | 第56-58页 |
·因果关系变量约束方法 | 第58-63页 |
·一致性约束 | 第59-60页 |
·因果关系一致性约束 | 第60-61页 |
·基于等价类的一致性约束 | 第61-63页 |
·本章小结 | 第63-65页 |
第4章 直接因果关系表达和推理 | 第65-75页 |
·变量直接因果关系 | 第65-69页 |
·问题描述 | 第65-66页 |
·变量关联 | 第66-68页 |
·变量部分关联 | 第68页 |
·变量直接因果关系 | 第68-69页 |
·直接因果关系的表达 | 第69-72页 |
·一阶谓词逻辑表示 | 第69-70页 |
·缺省逻辑表达 | 第70-71页 |
·缺省逻辑的蕴含式扩展 | 第71-72页 |
·因果推理模型构建 | 第72-74页 |
·因果预测 | 第72-73页 |
·因果诊断 | 第73-74页 |
·本章小结 | 第74-75页 |
第5章 基于关联规则的直接因果关系发现 | 第75-91页 |
·关联规则 | 第75-77页 |
·关联规则概念 | 第75-76页 |
·关联规则发现分类 | 第76页 |
·关联规则发现方法 | 第76-77页 |
·兴趣度度量 | 第77-80页 |
·客观兴趣度约束 | 第78-79页 |
·主观兴趣度约束 | 第79页 |
·兴趣度模型 | 第79-80页 |
·因果关联规则的信息量度量 | 第80-89页 |
·因果关联规则 | 第80-82页 |
·信息量度量 | 第82-84页 |
·基于信息度的算法实现 | 第84-85页 |
·实验和结果分析 | 第85-89页 |
·本章小结 | 第89-91页 |
第6章 通用直接因果关系发现框架和算法 | 第91-115页 |
·框架结构 | 第91-94页 |
·前向过程 | 第92-93页 |
·后向过程 | 第93-94页 |
·算法设计 | 第94-98页 |
·算法特点 | 第98-102页 |
·分层过滤 | 第98-99页 |
·排序 | 第99-101页 |
·简约计算 | 第101-102页 |
·算法复杂度分析 | 第102-103页 |
·实验和结果 | 第103-114页 |
·准确性 | 第103-107页 |
·效率 | 第107-111页 |
·扩展性 | 第111-114页 |
·本章小结 | 第114-115页 |
第7章 总结与展望 | 第115-117页 |
·论文研究工作总结 | 第115-116页 |
·下一步工作展望 | 第116-117页 |
参考文献 | 第117-127页 |
致谢 | 第127-129页 |
在读期间发表的学术论文与取得的研究成果 | 第129-130页 |