CN113887008A - 信息处理方法、电子设备和计算机存储介质 - Google Patents

信息处理方法、电子设备和计算机存储介质 Download PDF

Info

Publication number
CN113887008A
CN113887008A CN202010627708.5A CN202010627708A CN113887008A CN 113887008 A CN113887008 A CN 113887008A CN 202010627708 A CN202010627708 A CN 202010627708A CN 113887008 A CN113887008 A CN 113887008A
Authority
CN
China
Prior art keywords
variables
causal
determining
order
causal relationship
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010627708.5A
Other languages
English (en)
Inventor
卫文娟
冯璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to CN202010627708.5A priority Critical patent/CN113887008A/zh
Priority to JP2021107399A priority patent/JP7306432B2/ja
Priority to US17/363,525 priority patent/US20220004910A1/en
Publication of CN113887008A publication Critical patent/CN113887008A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施方式涉及信息处理方法、电子设备和计算机存储介质。该方法包括：获取一组变量；获取因果模型；以及使用该因果模型，基于该一组变量中的变量的类型来确定该一组变量中的变量之间的因果关系。使用本公开的技术方案，可以利用新的模型来处理复杂的、非线性的、连续数据或离散数据的混合，从确定观测数据之间的因果关系。

Description

信息处理方法、电子设备和计算机存储介质
技术领域
本公开的示例性实施方式涉及因果关系确定技术领域，更具体地，涉及信息处理方法、电子设备和计算机存储介质。
背景技术
因果发现是公认的具有挑战性但功能强大的数据分析工具。这样的方法支持揭示复杂系统下的因果结构，从而提供对潜在生成机制的明确描述。尽管干预或随机实验为发现因果关系提供了优秀的标准，但这样的方法在许多情况下都是不可行的。备选地，可以从被动观测数据恢复因果关系，在适当的条件下这已成为可能。
从观测数据中发现因果关系是一个基本问题。多年来，为了这一目的已经提出了许多方法，但是这些方法通常只能处理单一类型的数据，即，仅连续变量或仅离散变量。最近，针对混合数据类型开发了一些因果结构发现方法，并它们带来了更广泛的应用。但是，它们中的大多数仅标识图的马尔可夫等价类，因此会在得到因果关系图中留下无向边，从而无法准确有效地确定因果关系。
发明内容
本公开的示例性实施方式提供了进行信息处理的技术方案。
在本公开的第一方面中，提供了一种信息处理方法。该方法包括：获取一组变量；获取因果模型；使用该因果模型，基于该一组变量中的变量的类型来确定该一组变量中的变量之间的因果关系。
在本公开的第二方面中，提供了一种信息处理设备。该设备包括：至少一个处理单元；以及至少一个存储器，该至少一个存储器被耦合到该至少一个处理单元并且存储用于由该至少一个处理单元执行的指令，该指令当由该至少一个处理单元执行时，使得该设备执行动作，动作包括：获取一组变量；获取因果模型；使用该因果模型，基于该一组变量中的变量的类型来确定该一组变量中的变量之间的因果关系。
在本公开的第三方面中，提供了一种计算机可读存储介质。该计算机可读存储介质具有存储在其上的计算机可读程序指令，所述计算机可读程序指令用于执行根据第一方面所描述的方法。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征，也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了可以在其中实现本公开的某些示例性实施方式中的信息处理方法的信息处理环境100的示意图；
图2示出了根据本公开的示例性实施方式的信息处理方法200的流程图；
图3示出了根据本公开的示例性实施方式的信息处理过程300的示意图；
图4示出了根据本公开的示例性实施方式的因果关系图400的示意图；
图5示出了根据本公开的示例性实施方式的信息处理装置500的框图；以及
图6示出了可以用来实施本公开内容的示例性实施方式的示例设备600的示意图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以按照各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施方式”和“一个实施方式”表示“至少一个实施方式”。术语“另一实施方式”表示“至少一个另外的实施方式”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如以上在背景技术中所描述的，使用传统的因果关系确定方法，无法从观测数据准确有效地确定因果关系。
具体而言，使用传统的因果关系确定方法，通过设定马尔可夫条件和忠诚度，基于条件独立的方法可以例如通过计算机使用统计测试(条件独立测试)从联合分布标识因果骨架，并且通过一系列规则将边定向到马尔可夫等价类(例如，标识v型结构或对撞体，避免循环等)。相反，通过一种特定的模型类别(可标识的功能模型或结构方程模型(SEM))来描述因果机制和数据分布，如果数据生成过程属于这样的模型类别，则可以标识出完整的因果图。
然而，大多数这样的方法都依赖于有关单个数据类型的限制性条件，即，连续数据类型或离散数据类型。最近的研究已经关注于放宽关于数据类型的这样的条件并且从混合数据恢复因果结构。出于这一原因，已经提出了基于约束的方法和基于得分的方法。然而，这些方法中的大多数方法直接利用条件独立测试或基于变量之间的(条件)独立性关系的特性来引入得分函数，从而仅标识图的马尔可夫等价类，从而留下一些未定向的边。只有种方法可以标识对因果结构进行编码的有向无环图(DAG)，但是这种方法只使用于线性的因果机制，从而限制了它的适用性。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个问题，本公开的实施方式提出了一种用于使用混合数据类型的变量来确定变量之间的因果关系的模型，该模型可以获取变量以及它们的父变量集合作为输入，确定变量之间的因果顺序以及可选地确定相关度，进而确定变量之间的因果关系，而后可以采取有向无环图的形式来输出所确定的因果关系。
图1示出了可以在其中实现本公开的某些示例性实施方式中的信息处理方法的信息处理环境100的示意图。如图1中所示，信息处理环境100包括作为计算设备120的输入数据的观测数据110、计算设备120以及作为计算设备120的输出数据的因果关系130。需要指出的是，信息处理环境100是可扩展的，其中可以包括更多的作为输入数据的观测数据110，更多的作为输出数据的因果关系130，甚至更多的计算设备120以支持针对观测数据110进行并行计算。出于简化示图的原因，在图1中仅示出了一个观测数据110、一个计算设备120以及一个因果关系130。
在信息处理环境100中，计算设备120可以通过建立并且使用针对混合类型变量的功能模型来实现通过观测数据110来确定因果关系130。具体而言，该模型允许因果机制成为非线性的，从而支持更广泛的实际应用。
图2示出了根据本公开的示例性实施方式的信息处理方法200的流程图。具体而言，方法200可以由计算设备120来执行。应当理解的是，方法200还可以包括未示出的附加操作和/或可以省略所示出的操作，本公开的范围在此方面不受限制。
在框202，计算设备120获取一组变量。根据本公开的示例性实施方式，计算设备120在框202获取的一组变量即为观测数据110，该观测数据110包括连续数据和离散数据中的至少一种，连续数据和离散数据分别对应于连续变量类型和离散变量类型。连续数据是指该数据的值有无数个；而离散数据是指该数据所能取的值只有有限个。例如，人的高度是连续数据，在1.7米与1.8米之间还有1.75米；在1.7米与1.75米之间还有1.72米，在1.7米与1.71米之间还有1.705米，等等，可以无限继续下去，因而有无限个值。而人们上班所能选择的交通工具类型的数目则是有限的，要么选择公共汽车，要么选择地铁，要么选择自行车，要么选择自备私家车，要么选择火车，等等。因此这是一个离散数据。个人对住地的选择，对职业的选择，因其候选对象数目也是有限的，因此这也是一个离散数据。
根据本公开的示例性实施方式，连续变量和离散变量可以与例如用于机械加工的应用系统相关联，并且对应于应用系统的多个属性。例如，不同的变量可以分别表示在抛光阶段的质量等级、零件尺寸和光滑度、零件的原材料以及产品是否合格。
在框204，计算设备120获取因果模型。根据本公开的示例性实施方式，在框202获取的一组变量以及与该一组变量相关的信息，例如，变量的类型，变量的其他子集，变量的数目等，可以作为因果模型的输入。根据本公开的示例性实施方式，在框206所获取的因果模型是混合非线性因果模型，其中线性是指需要满足均匀性和叠加性，其中均匀性是指如果y与x成线性关系，则ay与ax也成线性关系(a为任意实数)，叠加性是指如果y1与x1是线性关系，y2与x2是线性关系，则y1+y2与x1+x2也是线性关系。除了线性关系之外的其他关系为非线性关系。更一般地，均匀性和叠加性结合起来就称为线性。根据本公开的示例性实施方式，在框204所获取的因果模型可以通过在框202获取的一组变量以及与该一组变量相关的信息来确定这些变量之间的可能的因果关系，并且可以采取进一步的操作来筛选所确定的因果关系，从而最终得到准确的因果关系。
在框206，计算设备120使用在框204获取的因果模型，基于在框202获取的一组变量中的变量的类型来该一组变量中的变量之间的因果关系。根据本公开的示例性实施方式，在框204获取的因果模型可以针对不同类型的变量进行不同的操作，从而可以在模型输入包括具有不同类型的变量的情况下输出这些变量之间的因果关系。
根据本公开的示例性实施方式，计算设备120可以针对在框202获取的一组变量中的每个变量，确定该变量的父变量集合，并且基于变量的类型和变量的父变量集合来确定变量之间的因果关系。根据本公开的示例性实施方式，一个变量的父变量集合为该变量的值所依赖于的变量的集合，即，该变量与该变量的父变量集合中的变量之间存在因果关系。例如，在前述机械加工应用系统中，抛光阶段的质量等级、零件尺寸和光滑度可以是确定产品是否合格的原因，因此这些变量之间存在因果关系，而抛光阶段的质量等级、零件尺寸和光滑度这几个变量可以构成作为变量的产品是否合格的父变量集合。
根据本公开的示例性实施方式，，计算设备120可以使用在框204获取的因果模型来确定在框202获取的一组变量中的变量之间的因果顺序，并且基于所确定的因果顺序来确定因果关系。根据本公开的一个实施例，当两个变量之间存在因果顺序时，这两个变量才可能具有因果关系，因此，计算设备120可以使用在框204获取的因果模型，通过例如贪婪搜索的方法来确定变量之间的可能的因果顺序。
根据本公开的一些示例性实施方式，计算设备120可以首先使用在框204获取的因果模型来确定在框202获取的一组变量中的变量之间的初始因果顺序。而后，计算设备120可以确定初始因果顺序的拟合度，其中拟合度指示初始因果顺序正确表示变量之间的因果顺序的概率。最后，计算设备120可以基于拟合度和初始因果顺序来确定变量之间的因果顺序。
根据本公开的又一些示例性实施方式，计算设备120可以首先基于针对在框202获取的一组变量中的变量所确定的每个变量的父变量集合，生成一组变量中的每个变量的父关系图。而后，计算设备120可以基于该父关系图，例如使用图论的方法来确定变量之间的因果顺序。
根据本公开的示例性实施方式，当两个变量之间的相关度较低时，即使认为这两个变量之间存在因果顺序，在这两个变量之间也可能没有可以确定的因果关系。因此，计算设备120可以使用在框204获取的因果模型，通过例如贪婪搜索的方法来进一步确定变量之间的相关度，并且基于所确定的因果顺序和相关度来确定因果关系。
根据本公开的另一些示例性实施方式，计算设备120可以首先使用在框204获取的因果模型，基于所确定的变量之间的因果顺序来确定在框202获取的一组变量中的变量之间的初始因果关系。而后，计算设备120可以对初始因果关系进行条件独立测试。最后，计算设备120可以基于条件独立测试的结果和初始因果关系来确定变量之间的因果关系。附加地在这一操作中，计算设备120也可以首先确定变量之间的相关度，并且基于所确定的变量之间的因果顺序和所确定变量之间的相关度来确定初始因果关系。由于同时使用了因果顺序和相关度，此时确定的初始因果关系将更为准确。
根据本公开的一些示例性实施方式，计算设备120可以首先获取关于该一组变量的因果信息，该因果信息指示该一组变量中的部分变量之间的部分因果关系，并且该因果信息可以包括专家知识集成。而后，计算设备120可以使用在框204获取的因果模型，基于所确定的变量之间的因果顺序以及因果信息，来确定该一组变量中的变量之间的因果关系。应当理解，该因果信息与作为观测数据110的该一组变量有关，因此可以在框202、204或206中的任一框所示出的操作中被获取。附加地，在这一操作中，计算设备120也可以首先确定变量之间的相关度，并且基于所确定的变量之间的因果顺序、相关度和因果信息，来确定该一组变量中的变量之间的因果关系，从而可以更为准确地确定因果关系。
根据本公开的另一些示例性实施方式，计算设备120可以通过基于约束的方案以及基于搜索的方案中的至少一项来确定因果关系。基于约束的典型技术方案主要包括PC(Peter-Clark)算法和归因因果(Inductive Causation)算法等，其可以包括无向图学习阶段和方向学习阶段。基于搜索的方案例如包括贪婪等价类搜索(Greedy EquivalenceSearch，GES)方案。
根据本公开的一些示例性实施方式，在框206确定的该一组变量中的变量之间的因果关系可以具有有向无环图的形式，该有向无环图包括节点和边，节点表示该一组变量中的变量，边表示这些变量之间的因果关系。
根据本公开的一些示例性实施方式，可以基于在框206确定的因果关系来提高应用系统的性能。具体地，可以通过调整、监测等方式来影响应用系统因果关系中的原因变量，从而提升所述应用系统的性能。此外，也可以通过满足预定条件自动输出作为分析结果的因果关系的方式来推动所述应用系统的改进或性能提升。例如，对于电力传输系统而言，如果已经确定了各个传输设备处的中间电压、传输系统的工作状态、电流与电能损耗之间的因果关系，则可以基于找到的因果关系来优先调整对于电能损耗影响最大的变量。以此方式，可以提高电力传输系统的性能。
根据本公开的另一些示例性实施方式，可以基于在框206确定的因果关系来调整应用系统的运行，例如基于因果关系排来除应用系统的故障。例如，对于机械加工系统而言，如果已经确定了各个属性与产品是否合格之间的因果关系，则可以基于找到的因果关系来优先调整对于不合格产品影响最大的属性。
根据本公开的一些示例性实施方式，计算设备120可以传输在框206确定的因果关系。例如，计算设备120可以将因果关系传输到前述一个或多个应用系统，并且可以基于因果关系来调整应用系统因果关系中的原因变量，例如调整观测数据。
图3示出了根据本公开的示例性实施方式的信息处理过程300的示意图。
通过信息处理过程300，本公开的实施方式提出了一种用于混合数据类型的结构方程模型，该模型允许因果机制成为非线性的，因此支持更广泛的实际应用。根据本公开的实施方式，可以从遵循模型的数据分布标识出因果结构，并且可以通过有向无环图来展示标识的因果结构。基于本公开中的模型，还提出了一种最大似然估计器，该最大似然估计器用于在变量之间选择因果顺序，而不是因果结构，并且该最大似然估计器的结果具有顺序一致性。采用这种方式的原因在于顺序空间比有向无环图空间小得多，因此易于搜索，并且如果知道变量之间的顺序，则因果结构学习可以归结为变量选择，这可以通过稀疏回归或(条件)独立测试而被解决，从而可以在计算开销较小的情况下进行因果结构学习。因此，在本公开中还提出了一种得益于新颖的顺序空间切割方法的高效顺序搜索方法，该方法利用最大似然估计器，构造了一个因式优化问题，在该问题上可以采用贪婪搜索来恢复因果顺序。为了进一步加速顺序搜索，在本公开中首先使用配备有核(kernel)对齐方法的图套索(lasso)来学习变量之间的稀疏骨架，并且然后将该骨架投影到一系列拓扑排序约束上以减少搜索空间。利用上述方法，可以准确地确定变量之间的因果关系。
在信息处理过程300中，随着观测数据110的输入，进入初始建模阶段310。根据本公开的示例性实施方式，在初始建模阶段310中，将要建立混合的非线性因果模型，该模型描述混合的离散变量和连续变量的变量之间的非线性关系，并且可以通过进一步的内容来证明这一模型的可标识性。
在模型的建立中，针对观测数据100，即X＝(X1，…，XD)是连续变量和二进制变量的混合，并且没有隐藏变量。根据本公开的实施方式，将具有T个类的分类变量转换为(T-1)个二进制变量。X的分布是相对于潜在因果有向无环图
Figure BDA0002565382820000091
的马尔可夫，该有向无环图包括节点V：＝{1，…，D}和边
Figure BDA0002565382820000092
每个随机变量Xi对应于
Figure BDA0002565382820000093
中的第i个节点，并且如果Xi是Xj的直接原因，则(i，j)∈ε。根据本公开的实施方式，将第i个节点的父集合表示为PAi，并且将第i个节点的所有非后代表示为NDi。使用小写字母xi表示对随机变量Xi的观测。根据本公开的一个实施方式，观测到的数据是通过以下方式被生成的：每个连续变量Xi的值作为其在
Figure BDA0002565382820000094
中的父代的函数加上独立的加性噪声∈i，而每个二进制变量Xi遵循伯努利分布，其特征为它的父代加上独立的加性噪声∈i的函数。
混合非线性因果模型可以通过以下式(1)而被定义：将混合非线性因果模型定义为观测数据X上的元组tuple(S，p(∈))，其中S＝(S1，…，SD)是D个方程的集合。
Figure BDA0002565382820000101
其中Si是D个方程中的第i个方程。
并且
Figure BDA0002565382820000102
是噪声变量的联合分布。fi是三次可微的非线性函数(对于每个i可能不同)，并且
Figure BDA0002565382820000103
符合高斯分布，更具体而言，
Figure BDA0002565382820000104
并且对应的因果图是非循环的。
根据本公开的一个实施方式，对随机变量(X1，...，XD)进行N次观测，然后根据混合非线性因果模型的定义，联合分布如下：
Figure BDA0002565382820000105
其中pb(·)和pc(·)分别表示二进制变量和连续变量的概率分布。zi∈{0，1}是指示器变量，如果变量Xi是二进制的，则zi＝1，否则，zi＝0。xin是Xi的第n个观测值，并且
Figure BDA0002565382820000106
是
Figure BDA0002565382820000107
的第n个观测值。
Figure BDA0002565382820000108
是标准正态分布的密度，并且Φ(·)是累积标准正态分布函数。
在证明上述建立的模型的可标识性时，首先考虑以下假设，并且然后在这些假设下证明混合非线性因果模型的可标识性。
在初始建模阶段310之后，进入因果顺序确定阶段320。
根据本公开的实施方式，从遵循混合非线性因果模型的联合分布可以标识出真实因果结构，但是搜索整个有向无环图空间以找到最佳因果图仍然是耗时的工作。具有有向无环图约束的结构学习问题可以转化为学习变量之间的最佳顺序的问题，由于顺序空间比有向无环图空间小得多，因此直观上看起来更容易。一旦确定了顺序，就可以通过将变量的父代约束为在该变量之前的变量的子集来强制执行无循环约束，并且因果结构学习可以归结为变量选择，这可以通过稀疏回归或(条件)独立测试来解决。
根据本公开的示例性实施方式，真实因果顺序可以从遵循混合非线性因果模型的联合分布标识出来，而后可以通过混合非线性信息准则(MNIC)来评估二进制变量和连续变量的混合的顺序的拟合，其中MNIC分数是顺序一致的。
根据本公开的示例性实施方式，MNIC估算器基于观测值的负对数似然性，
Figure BDA0002565382820000111
其中
Figure BDA0002565382820000112
并且e是欧拉数。
为了便于描述，为每个Xi引入潜在变量Ui来表示其父代的函数加上独立的加性噪声，即，
Figure BDA0002565382820000113
然后对于连续变量Xi＝Ui，并且对于二进制变量
Figure BDA0002565382820000114
由
Figure BDA0002565382820000115
表示使式(3)中的MNIC得分最小的置换，即
Figure BDA0002565382820000116
因此，可以基于MNIC估算器进行因果顺序确定阶段320中的操作，从而可以针对包括不同类型变量的模型输入来确定出变量之间的可能的因果顺序。
根据本公开的示例性实施方式，可以通过向因果顺序确定阶段320应用附加顺序确定方法330来实现加速因果关系推理的效果，附加顺序确定方法330可以包括基于变量组序列约束的空间剪切。附加顺序确定方法330可以包括输入因果信息340。因果信息340对应于前述参照图2所讨论的因果信息，在此不再赘述。
因果顺序确定阶段320之后，可以进入因果结构学习阶段350，而后即可生成作为输出的因果关系130。
根据本公开的示例性实施方式，可以使用一种三阶段算法实现观测数据估计因果结构，即实现因果顺序确定阶段320和因果结构学习阶段350的操作。首先，使用配备了内核对齐方法的图套索来学习变量之间的稀疏骨架，然后将该骨架投影到一系列拓扑排序约束上，以减少搜索空间。接下来，在顺序约束下，在可行空间上使用贪婪搜索来估计式(4)中的
Figure BDA0002565382820000121
最后，使用基于内核的条件独立(KCI)测试来修剪边缘以从
Figure BDA0002565382820000122
中恢复
Figure BDA0002565382820000123
整个算法在算法1中进行了概述。
算法1基于MNIC的因果结构学习
算法输入：数据X，变量的数目D，条件集合的最大大小mCS，阈值α，
算法输出：最优结构
Figure BDA0002565382820000124
因果顺序
Figure BDA0002565382820000125
阶段1：生成拓扑排序约束
使用式(9)和(10)来构建精度矩阵Θ
从Θ提取M SCC
分配随机组顺序，例如，SCC1＜…＜SCCM，并且构建顺序约束集合C
阶段2：估计因果顺序(对应于因果顺序确定阶段320)
初始化空有向无环图
Figure BDA0002565382820000126
得分矩阵s＝{-inf}D×D，以及t＝1
计算
Figure BDA0002565382820000127
Figure BDA0002565382820000128
阶段3：移除多余的边(对应于因果结构学习阶段350)
Figure BDA0002565382820000129
根据本公开的示例性实施方式，在算法1中，在构建精度矩阵Θ时，还可以使用其他方法，例如使用特征选择的方法，包括随机森林，HSIC套索等。同时，也可以通过引入专家知识来构建精度矩阵。
根据本公开的示例性实施方式，在算法1的阶段3中，不仅可以使用基于独立性判定的方法来移除边，也可以通过使用特征选择的方法来移除边。
根据本公开的示例性实施方式，在因果顺序确定阶段320可以包括搜索空间切割：内核对齐可以被用于测量两个内核函数之间的相似性。也可以被用于产生随机变量之间的伪相关矩阵。根据本公开的实施例，使用式(9)在观测数据X＝(X1，…，XD)上生成伪相关矩阵A，其中每个元素A(i，j)是Xi和Xj之间的核对齐。
Figure BDA0002565382820000131
其中，
Figure BDA0002565382820000132
并且Ki(n，n′)是Xi的中央核矩阵的第(n，n′)个元素。在这里，我RBF内核用于连续变量，将delta内核用于二进制变量。然后将A引入图套索中以学习精度矩阵Θ：
Figure BDA0002565382820000133
其中Θij＝0表示Xi和Xj之间没有直接的边。
强连接的组件(SCC)是从Θ生成的，没有边连接不同的SCC，并且因此SCC之间的拓扑顺序可以被任意分配。如果分配了SCCm＜SCCm′，则对于所有Xi∈SCCm和Xj∈SCCm′，有Xi＜xj。这些顺序约束将被用于减少第二阶段的搜索空间。
根据本公开的示例性实施方式，在因果顺序确定阶段320还可以包括顺序搜索：使用类似于CAM的贪婪搜索程序。从一个空的有向无环图开始，并在每次迭代时添加对应于MNIC最陡下降的一个边i→j。在每次迭代之后检查非循环性，并在所有迭代之后构造一个超级有向无环图。利用高斯过程回归(分类)来估计
Figure BDA0002565382820000134
并通过最大化边际似然性来学习超参数。顺序搜索算法的时间复杂度为O(M maxm|SCCm|N3)，其中M是SCC的数量，|SCCm|是根据Θ在SCCm中的边的数目，其中m∈{1，…，M}，N是样本数。
根据本公开的示例性实施方式，在因果结构学习阶段350可以包括修剪：使用条件独立测试从超级有向无环图修剪伪边。在条件独立测试中，存在一些超参数：用于构造内核矩阵的内核宽度和正则化参数。对于无条件独立测试，由于已将连续变量正则化为单位方差，因此将这些点的成对距离的中位数用作内核宽度。对于条件独立测试，当条件集较小(即≤2)时，将这些点的成对距离的中位数用作内核宽度。对于正则化参数，使用经验值(10-3)，其表现出良好的效果。当条件集很大时，使用扩展的多输出高斯过程回归来通过最大化总边际似然性来学习超参数。
根据本公开的示例性实施方式，如前所述，因果关系可以具有有向无环图的形式。进一步参照图4，其示出了根据本公开的示例性实施方式的因果关系图400的示意图。
因果关系图400中包括14个变量，分别是黑人比例(B)402、人口地位较低百分比(LST)404、划为住宅用地的比例(ZN)406、到就业中心的加权距离(DIS)408、师生比(PTR)410、全值财产税率(TAX)412、位于查尔斯河上(CHAS)414、径向公路通达性指数(RAD)416、平均房间数(RM)418、房屋中位数(MED)420、1940年之前建造的百分比(AGE)422、一氧化氮浓度(NOX)424、非零售业务比重(INDUS)426和犯罪率(CRI)428，其中位于查尔斯河上414为离散变量。因果关系图400具体指示从波士顿住房数据集生成的因果图，其为使用根据本公开的示例性实施方式的信息处理方法200、利用多于500个样本所确定的因果关系图。
因果关系图400示出了平均房间数(RM)、人口地位较低百分比(LST)、1940年之前建造的百分比(AGE)和犯罪率(CRI)是房价中位数(MED)的直接原因。除此之外，因果关系图400还体现了例如从税率(TAX)到学生教师率(PTR)，到就业中心的距离(DIS)到径向公路的可达性指数(RAD)的链接。
由此可见，在因果结构发现和顺序恢复方面，根据本公开的示例性实施方式的信息处理方法200可以带来良好的效果，尤其是在密集图和高混合数据比的情况下。
以上参考图1至图4描述了可以在其中实现本公开的某些示例性实施方式中的信息处理方法的信息处理环境100、根据本公开的示例性实施方式的信息处理方法200、根据本公开的示例性实施方式的信息处理过程300以及根据本公开的示例性实施方式的因果关系图400的相关内容。应当理解，上述描述是为了更好地展示本公开中所记载的内容，而不是以任何方式进行限制。
应当理解，本公开的上述各个附图中所采用的各种元件的数目和物理量的大小仅为举例，而并不是对本公开的保护范围的限制。上述数目和大小可以根据需要而被任意设置，而不会对本公开的实施方式的正常实施产生影响。
上文已经参见图1至图4描述了根据本公开的实施方式的信息处理方法的细节。在下文中，将参见图5描述信息处理装置中的各个模块。
图5示出了根据本公开的示例性实施方式的信息处理装置500的框图。如图5所示，提供了一种信息处理装置500，包括：变量获取模块502，配置用于获取一组变量；因果模型获取模块504，配置用于获取因果模型；因果关系确定模块506，配置用于使用该因果模型，基于该一组变量中的变量的类型来确定该一组变量中的变量之间的因果关系。根据本公开的一些示例性实施方式，信息处理装置500被配置用于执行以上根据图2所示的信息处理方法200的具体步骤。
在一些实施例中，该一组变量中的变量的类型包括连续变量类型和离散变量类型中的至少一种。
在一些实施例中，因果关系确定模块506包括：父变量集合确定模块(未示出)，配置用于针对该一组变量中的每个变量，确定该变量的父变量集合，该父变量集合为该变量的值所依赖于的变量的集合；以及第一因果关系确定模块(未示出)，配置用于基于该类型和该父变量集合来确定该因果关系。
在一些实施例中，因果关系确定模块506包括：因果顺序确定模块(未示出)，配置用于确定该一组变量中的该变量之间的因果顺序；以及第二因果关系确定模块(未示出)，配置用于基于该因果顺序来确定该因果关系。
在一些实施例中，因果顺序确定模块包括：初始因果顺序确定模块(未示出)，配置用于确定该一组变量中的变量之间的初始因果顺序；拟合度确定模块(未示出)，配置用于确定该初始因果顺序的拟合度，该拟合度指示该初始因果顺序正确表示该变量之间的因果顺序的概率；以及第一因果顺序确定模块(未示出)，配置用于基于该拟合度和该初始因果顺序来确定该因果顺序。
在一些实施例中，因果顺序确定模块包括：父变量集合确定模块(未示出)，配置用于针对该一组变量中的每个变量，确定该变量的父变量集合，该父变量集合为该变量的值所依赖于的变量的集合；父关系图生成模块(未示出)，配置用于基于该父变量集合，生成该一组变量中的每个变量的父关系图；以及第二因果顺序确定模块(未示出)，配置用于基于该父关系图来确定该因果顺序。
在一些实施例中，因果关系确定模块506包括：相关度确定模块(未示出)，配置用于基于该类型来确定该一组变量中的该变量之间的相关度；以及第三因果关系确定模块(未示出)，配置用于基于该因果顺序和该相关度来确定该因果关系。
在一些实施例中，因果关系确定模块506包括：初始因果关系确定模块(未示出)，配置用于基于该因果顺序来确定该一组变量中的变量之间的初始因果关系；条件独立测试模块(未示出)，配置用于对该初始因果关系进行条件独立测试；以及第四因果关系确定模块(未示出)，配置用于基于该条件独立测试的结果和该初始因果关系来确定该因果顺序。
在一些实施例中，初始因果关系确定模块包括：相关度确定模块(未示出)，配置用于基于该类型来确定该一组变量中的该变量之间的相关度；以及第一初始因果关系确定模块(未示出)，配置用于基于该因果顺序和该相关度来确定该一组变量中的变量之间的初始因果关系。
在一些实施例中，因果关系确定模块506包括：因果信息获取模块(未示出)，配置用于获取关于该一组变量的因果信息，该因果信息指示该一组变量中的部分变量之间的部分因果关系；以及第五因果关系确定模块(未示出)，配置用于基于该因果顺序和该因果信息来确定该一组变量中的变量之间的该因果关系。
在一些实施例中，第五因果关系确定模块包括：相关度确定模块(未示出)，配置用于基于该类型来确定该一组变量中的该变量之间的相关度；以及第六因果关系确定模块(未示出)，配置用于基于该因果顺序、该相关度和该因果信息来确定该一组变量中的变量之间的该因果关系。
在一些实施例中，因果关系确定模块506包括：第七因果关系确定模块(未示出)，配置用于通过以下至少一项来确定该因果关系：基于约束的方案以及基于搜索的方案。
在一些实施例中，该因果关系具有有向无环图的形式，该有向无环图包括节点和边，该节点表示该一组变量中的变量，该边表示该变量之间的因果关系。
在一些实施例中，其中该一组变量与应用系统相关联，并且表示该应用系统的多个属性。
在一些实施例中，信息处理装置500进一步包括以下中的至少任一项：性能提高模块(未示出)，配置用于基于该因果关系提高该应用系统的性能；以及故障排除模块(未示出)，配置用于基于该因果关系排除该应用系统的故障。
通过以上参考图1至图5的描述，根据本公开的实施方式的技术方案相对于传统方案具有诸多优点。例如，利用该技术方案，可以利用新的模型来处理复杂的、非线性的、连续数据或离散数据的混合，从而针对这些观测数据确定观测数据之间的因果关系。该技术方案不仅可以处理复杂的混合观测数据，还可以更加高效和有效地进行因果关系确定，从而可以应用于例如制药、制造、市场分析等应用系统中，以用于提高这些应用系统的性能以及排除这些应用系统中的故障。
图6示出了可以用来实施本公开内容的示例性实施方式的示例设备600的示意图。例如，如图1所示的计算设备120可以由设备600来实施。如图所示，设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200，可由处理单元601执行。例如，在一些示例性实施方式中，方法200可以被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些示例性实施方式中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到RAM603并由CPU 601执行时，可以执行上文描述的方法200的一个或多个动作。
根据本公开的示例性实施方式，提供了一种信息处理设备，包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得该设备执行如上文所述的方法200。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是、但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些示例性实施方式中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开示例性实施方式的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个示例性实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
已经描述了本公开的各实施方式，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。

Claims (31)

1.一种信息处理方法，包括：
获取一组变量；
获取因果模型；以及
使用所述因果模型，基于所述一组变量中的变量的类型来确定所述一组变量中的变量之间的因果关系。
2.根据权利要求1所述的方法，其中所述类型包括连续变量类型和离散变量类型中的至少一种。
3.根据权利要求1所述的方法，其中确定所述因果关系包括：
针对所述一组变量中的每个变量，确定所述变量的父变量集合，所述父变量集合为所述变量的值所依赖于的变量的集合；以及
基于所述类型和所述父变量集合来确定所述因果关系。
4.根据权利要求1所述的方法，其中确定所述因果关系包括：
确定所述一组变量中的所述变量之间的因果顺序；以及
基于所述因果顺序来确定所述因果关系。
5.根据权利要求4所述的方法，其中确定所述因果顺序包括：
确定所述一组变量中的所述变量之间的初始因果顺序；
确定所述初始因果顺序的拟合度，所述拟合度指示所述初始因果顺序正确表示所述变量之间的所述因果顺序的概率；以及
基于所述拟合度和所述初始因果顺序来确定所述因果顺序。
6.根据权利要求4所述的方法，其中确定所述因果顺序包括：
针对所述一组变量中的每个变量，确定所述变量的父变量集合，所述父变量集合为所述变量的值所依赖于的变量的集合；
基于所述父变量集合，生成所述一组变量中的每个变量的父关系图；以及
基于所述父关系图来确定所述因果顺序。
7.根据权利要求4所述的方法，其中确定所述因果关系包括：
基于所述类型来确定所述一组变量中的所述变量之间的相关度；以及
基于所述因果顺序和所述相关度来确定所述因果关系。
8.根据权利要求4所述的方法，其中确定所述因果关系包括：
基于所述因果顺序来确定所述一组变量中的变量之间的初始因果关系；
对所述初始因果关系进行条件独立测试；以及
基于所述条件独立测试的结果和所述初始因果关系来确定所述因果关系。
9.根据权利要求8所述的方法，其中确定所述初始因果关系包括：
基于所述类型来确定所述一组变量中的所述变量之间的相关度；以及
基于所述因果顺序和所述相关度来确定所述一组变量中的变量之间的初始因果关系。
10.根据权利要求4所述的方法，其中确定所述因果关系包括：
获取关于所述一组变量的因果信息，所述因果信息指示所述一组变量中的部分变量之间的部分因果关系；以及
基于所述因果顺序和所述因果信息来确定所述一组变量中的变量之间的所述因果关系。
11.根据权利要求10所述的方法，其中确定所述因果关系包括：
基于所述类型来确定所述一组变量中的所述变量之间的相关度；以及
基于所述因果顺序、所述相关度和所述因果信息来确定所述一组变量中的变量之间的所述因果关系。
12.根据权利要求1所述的方法，其中确定所述因果关系包括通过以下至少一项来确定所述因果关系：基于约束的方案以及基于搜索的方案。
13.根据权利要求1所述的方法，其中所述因果关系具有有向无环图的形式，所述有向无环图包括节点和边，所述节点表示所述一组变量中的变量，所述边表示所述变量之间的因果关系。
14.根据权利要求1所述的方法，其中所述一组变量与应用系统相关联，并且表示所述应用系统的多个属性。
15.根据权利要求14所述的方法，进一步包括以下中的至少任一项：
基于所述因果关系提高所述应用系统的性能；以及
基于所述因果关系排除所述应用系统的故障。
16.一种信息处理设备，包括：
至少一个处理单元；以及
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行动作，所述动作包括：
获取一组变量；
获取因果模型；
使用所述因果模型，基于所述一组变量中的变量的类型来确定所述一组变量中的变量之间的因果关系。
17.根据权利要求16所述的设备，其中所述类型包括连续变量类型和离散变量类型中的至少一种。
18.根据权利要求16所述的设备，其中确定所述因果关系包括：
针对所述一组变量中的每个变量，确定所述变量的父变量集合，所述父变量集合为所述变量的值所依赖于的变量的集合；以及
基于所述类型和所述父变量集合来确定所述因果关系。
19.根据权利要求16所述的设备，其中确定所述因果关系包括：
确定所述一组变量中的所述变量之间的因果顺序；以及
基于所述因果顺序来确定所述因果关系。
20.根据权利要求19所述的设备，其中确定所述因果顺序包括：
确定所述一组变量中的所述变量之间的初始因果顺序；
确定所述初始因果顺序的拟合度，所述拟合度指示所述初始因果顺序正确表示所述变量之间的所述因果顺序的概率；以及
基于所述拟合度和所述初始因果顺序来确定所述因果顺序。
21.根据权利要求19所述的设备，其中确定所述因果顺序包括：
针对所述一组变量中的每个变量，确定所述变量的父变量集合，所述父变量集合为所述变量的值所依赖于的变量的集合；
基于所述父变量集合，生成所述一组变量中的每个变量的父关系图；以及
基于所述父关系图来确定所述因果顺序。
22.根据权利要求19所述的设备，其中确定所述因果关系包括：
基于所述类型来确定所述一组变量中的所述变量之间的相关度；以及
基于所述因果顺序和所述相关度来确定所述因果关系。
23.根据权利要求19所述的设备，其中确定所述因果关系包括：
基于所述因果顺序来确定所述一组变量中的变量之间的初始因果关系；
对所述初始因果关系进行条件独立测试；以及
基于所述条件独立测试的结果和所述初始因果关系来确定所述因果关系。
24.根据权利要求23所述的设备，其中确定所述初始因果关系包括：
基于所述类型来确定所述一组变量中的所述变量之间的相关度；以及
基于所述因果顺序和所述相关度来确定所述一组变量中的变量之间的初始因果关系。
25.根据权利要求19所述的设备，其中确定所述因果关系包括：
获取关于所述一组变量的因果信息，所述因果信息指示所述一组变量中的部分变量之间的部分因果关系；以及
基于所述因果顺序和所述因果信息来确定所述一组变量中的变量之间的所述因果关系。
26.根据权利要求25所述的设备，其中确定所述因果关系包括：
基于所述类型来确定所述一组变量中的所述变量之间的相关度；以及
基于所述因果顺序、所述相关度和所述因果信息来确定所述一组变量中的变量之间的所述因果关系。
27.根据权利要求16所述的设备，其中确定所述因果关系包括通过以下至少一项来确定所述因果关系：基于约束的方案以及基于搜索的方案。
28.根据权利要求16所述的设备，其中所述因果关系具有有向无环图的形式，所述有向无环图包括节点和边，所述节点表示所述一组变量中的变量，所述边表示所述变量之间的因果关系。
29.根据权利要求16所述的设备，其中所述一组变量与应用系统相关联，并且表示所述应用系统的多个属性。
30.根据权利要求29所述的设备，其中所述动作进一步包括以下中的至少任一项：
基于所述因果关系提高所述应用系统的性能；以及
基于所述因果关系排除所述应用系统的故障。
31.一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，所述计算机可读程序指令用于执行根据权利要求1-15中的任一项所述的方法。
CN202010627708.5A 2020-07-01 2020-07-01 信息处理方法、电子设备和计算机存储介质 Pending CN113887008A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010627708.5A CN113887008A (zh) 2020-07-01 2020-07-01 信息处理方法、电子设备和计算机存储介质
JP2021107399A JP7306432B2 (ja) 2020-07-01 2021-06-29 情報処理方法、情報処理装置及びプログラム
US17/363,525 US20220004910A1 (en) 2020-07-01 2021-06-30 Information processing method, electronic device, and computer storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010627708.5A CN113887008A (zh) 2020-07-01 2020-07-01 信息处理方法、电子设备和计算机存储介质

Publications (1)

Publication Number Publication Date
CN113887008A true CN113887008A (zh) 2022-01-04

Family

ID=79012488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010627708.5A Pending CN113887008A (zh) 2020-07-01 2020-07-01 信息处理方法、电子设备和计算机存储介质

Country Status (3)

Country Link
US (1) US20220004910A1 (zh)
JP (1) JP7306432B2 (zh)
CN (1) CN113887008A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114647642A (zh) * 2022-02-25 2022-06-21 北京百度网讯科技有限公司 从数据中发现因果关系的方法与装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555047B (zh) * 2018-03-29 2024-03-15 日本电气株式会社 数据处理方法和电子设备
CN110390396B (zh) * 2018-04-16 2024-03-19 日本电气株式会社 用于估计观测变量之间的因果关系的方法、装置和系统

Also Published As

Publication number Publication date
US20220004910A1 (en) 2022-01-06
JP2022013844A (ja) 2022-01-18
JP7306432B2 (ja) 2023-07-11

Similar Documents

Publication Publication Date Title
US11537719B2 (en) Deep neural network system for similarity-based graph representations
Raskutti et al. Learning directed acyclic graph models based on sparsest permutations
US20220076150A1 (en) Method, apparatus and system for estimating causality among observed variables
WO2022141869A1 (zh) 模型训练方法、调用方法、装置、计算机设备和存储介质
US11093195B2 (en) Method, device and computer program product for updating user interface
CN111932386A (zh) 用户账号确定方法及装置、信息推送方法及装置、电子设备
Kang et al. Urban traffic travel time short‐term prediction model based on spatio‐temporal feature extraction
US20220156585A1 (en) Training point cloud processing neural networks using pseudo-element - based data augmentation
US20180121792A1 (en) Differentiable set to increase the memory capacity of recurrent neural networks
CN113868368A (zh) 用于信息处理的方法、电子设备和计算机程序产品
Zhuang et al. Integrating a deep forest algorithm with vector‐based cellular automata for urban land change simulation
Zweig Are word-adjacency networks networks?
CN114331380A (zh) 职业流动关系的预测方法、系统、设备及存储介质
Asmono et al. Absolute correlation weighted naïve bayes for software defect prediction
CN113887008A (zh) 信息处理方法、电子设备和计算机存储介质
US20200380446A1 (en) Artificial Intelligence Based Job Wages Benchmarks
CN116401372A (zh) 知识图谱表示学习方法、装置、电子设备及可读存储介质
Zarringhalam et al. Semisupervised Vector Quantization in Visual SLAM Using HGCN
Yin et al. BO-B&B: A hybrid algorithm based on Bayesian optimization and branch-and-bound for discrete network design problems
Papachristoudis et al. Adaptive belief propagation
Yu et al. Modeling Community Evolution Characteristics of Dynamic Networks with Evolutionary Bayesian Nonnegative Matrix Factorization
Montevechi et al. Ensemble-Based Infill Search Simulation Optimization Framework
Kabra et al. Student’s Performance Prediction Using Genetic Algorithm
Behnia et al. Deep generative models for vehicle speed trajectories
Telec et al. Comparison of evolving fuzzy systems with an ensemble approach to predict from a data stream

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination