关键词causal bayesian networks
搜索结果 - 8
- 因果贝叶斯网络中的干预和调节
通过简单但常见的独立性假设,可以独特地估计干预公式的概率,包括充分性和必要性的概率。在许多感兴趣的情况下,当这些假设适用时,可以使用观测数据评估这些概率估计,这在实验不可行的情况下具有巨大的重要性。
- 非确定性因果模型
我对无确定性的非确定性结构方程模型进行了泛化,并论证它对反事实提供了改进的语义。我通过允许多值函数在结构方程中的使用来放弃了哈尔彭(Halpern)的标准确定性语义,并调整语义以确保在任何反事实世界中都保留了实际世界中获得的方程解。最后,我 - 探索结构学习算法在识别糖尿病患者干预风险因素中的有效性
糖尿病的结构学习算法和因果路径的研究,通过转化输出图为因果贝叶斯网络,从一个多样的结构学习算法集合中获得独特的糖尿病因果模型,为医疗专业人员提供对相关风险因素与假设干预效果之间的交互作用的全面理解,以制定高效的干预和风险管理策略。
- 制造业中基于因果贝叶斯网络和知识图谱的交互式智能根本原因分析
制造电动车过程中的根本原因分析 (RCA) 是识别故障原因的过程。传统上,RCA 是通过依靠过程专家知识进行手动进行的。与此同时,传感器网络在制造过程中收集了大量的数据。使用这些数据进行 RCA 使其更高效。然而,纯数据驱动的方法如因果贝叶 - 动态请求知识的因果发现
Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识,实现了较大的结构准确性提升,并提供更有效地利用人类专业知识的方法,促进结构学习过程的透明度。
- 从关系数据中学习因果模型的声音全面算法
该论文提出了一种名为‘关系性因果发现 (RCD)’的算法,通过关系性模型和在条件独立方面的提升推理,学习因果关系,证明了该算法的可靠性和有效性。
- 来自实验和观测数据混合的因果发现
本文介绍了一种贝叶斯方法,用于将任意混合的观测和实验数据相结合,以学习因果贝叶斯网络,其中观测数据是被动观察的,实验数据是实验者通过操纵一个或多个变量来获得的。该学习方法已应用于基于 ALARM 因果贝叶斯网络生成的各种混合实验数据,其用于 - ICML将因果优先知识作为路径约束融入贝叶斯网络和最大祖先图
本研究讨论将关于因果关系的先验知识纳入因果模型,并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程,通过模拟实验和案例研究发现,加入少量先验知识将导致大量新的推断结果。