论文研究基于加性噪声模型的缺失数据因果推断.pdf

推断数据间存在的因果关系是很多科学领域中的一个基础问题，然而现在暂时还没有快速有效的方法对缺失数据进行因果推断。为此，提出一种基于加性噪声模型下适应缺失数据的因果推断算法。该算法是基于加性噪声模型下利用最大似然估计法结合加权样本修复数据的思想构造以似然函数形式的模型评分函数，并以此度量模型相对于缺失数据集的优劣程度，通过迭代学习确定因果方向，每次迭代学习包括使用参数修复数据和在修复后的完整数据集下估计参数。该方法既解决了加性噪声模型中映射函数的参数学习困难性问题，又避免了现有学习方法所存在的主要问题。实验表明，在数据缺失比例扩大的情况下该算法仍具有较高的识别能力。