公开(公告)号：CN107871167A

公开(公告)日：2018-04-03

申请号：CN201710981783.X

申请日：2017-10-20

Applicant: 广东工业大学

Inventor： 乔杰 ,  蔡瑞初 ,  郝志峰 ,  温雯 ,  王丽娟 ,  陈炳丰

IPC: G06N99/00

CPC classification number: G06N20/00

Abstract: 本发明提供一种基于似然度的因果结构学习方法，其主要通过对初始化处理后的结构图D进行增加有向边、删除有向边、翻转有向边处理，并利用观测数据计算每个因果结构图的评分值 选取最大评分值 对应的因果结构图，并比较因果结构图的最大评分值的增加值与阈值ε的大小，通过多次迭代，得到最终的因果结构图；本发明通过高效地融合似然度与结构方程的搜索，解决了传统方法因存在马尔科夫等价类而无法识别因果结构的问题，并将结构方程模型与似然度结合，使得在可以应用在高维的因果结构搜索；本方法还通过利用了xgboost分类算法，以及核密度估计方法，进一步扩大了该因果结构学习方法使用范围，可以运用于线性或非线性数据。

公开(公告)号：CN110633396A

公开(公告)日：2019-12-31

申请号：CN201910754617.5

申请日：2019-08-15

Applicant: 广东工业大学

Inventor： 蔡瑞初 ,  陈济斌 ,  温雯 ,  郝志峰 ,  梁智豪 ,  乔杰 ,  陈薇 ,  陈炳丰 ,  李梓健

IPC: G06F16/906

Abstract: 本发明公开了一种离散时序数据的非稳态性格兰杰因果关系挖掘方法，首先获取时空序列数据集并建立霍克斯模型，初始化霍克斯模型并对时间序列标注类别标签；通过Hawkes-EM算法学习各类别数据对应的模型参数以及格兰杰因果关系，基于贪婪算法优化对时空序列数据的类别划分；计算霍克斯模型的最终评分；重复步骤S2和S3直至最终评分值满足预设标准，则此时模型参数对应的述时空序列数据的类别划分情况及对应类别挖掘得到的格兰杰因果关系为最优解。本发明在利用原有的Hawkes-EM算法基础上结合贪婪算法使其成为离散时序数据的非稳态性格兰杰因果关系挖掘方法，从而找出在一段离散时序数据中属于不同类别的数据，并发现其在相应类别下代表的格兰杰因果关系。

公开(公告)号：CN108595501A

公开(公告)日：2018-09-28

申请号：CN201810223735.9

申请日：2018-03-19

Applicant: 广东工业大学

Inventor： 乔杰 ,  蔡瑞初 ,  郝志峰 ,  温雯 ,  王丽娟 ,  陈炳丰

IPC: G06F17/30

CPC classification number: G06F2216/03

Abstract: 本发明公开了一种基于确定性机制与噪声干扰的离散数据因果发现方法，包括以下步骤：S1、预设模型X→Y′→Y，定义确定性因果过程；S2、定义得到用于评估模型X→Y＇→Y的初始评分标准；S3、计算出用于评估模型的最终评分标准；S4、根据最终评分标准所给出的评分，使用贪婪策略估计Y＇的状态，得到模型M1：X→Y＇→Y；S5、根据最终评分标准所给出的评分，使用贪婪策略估计反方向的X'的状态，得到模型M2：Y→X'→X；S6、根据比较M1，M2的评分S1,S2的大小，并输出因果方向。本发明通过引入确定性与噪声干扰两部分，使之灵活适应数据中不同的确定性机制和噪声机制，增加抗干扰性，增大了其适用范围，克服了现有技术中离散因果发现效率低下的缺陷，达到提高因果发现效率的目的。

公开(公告)号：CN113159292A

公开(公告)日：2021-07-23

申请号：CN202110454250.2

申请日：2021-04-26

Applicant: 广东工业大学

Inventor： 陈伟霖 ,  蔡瑞初 ,  乔杰 ,  郝志峰 ,  陈炳丰 ,  温雯

IPC: G06N3/04 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明提出一种基于神经网络最小化熵的因果网络发现方法及系统，克服了当前因果网络发现方法无法识别马尔可夫等价类、在有向无环图搜索时容易陷入局部最优的缺陷，解决了采用最小二乘损失作为损失函数的神经网络搜索方法适用性不广、准确率不高的问题，首先构建数据集，对数据集中的变量数据进行预处理，然后根据变量数据的特征构建神经网络，以损失函数为残差的熵，约束条件为无环性约束训练，进而得到数据之间的因果结构，以邻接矩阵表示因果关系的图，再对邻接矩阵进行剪枝处理，最后可视化输出因果网络，克服了传统方法无法识别马尔科夫等价类的困难，提高了局部结构的可识别性。