[发明专利]基于编码知识的非线性因果建模

说明书

本公开提供了一种优化因果加性模型，该模型符合有向性和非循环性的结构约束，并对先验知识反映的正关系约束和负关系约束进行编码，以使得该模型在拟合到一组或多组观察变量时，将倾向于与预期观察结果以及关于因果关系的特定领域推理相匹配，并该模型将符合贝叶斯统计分布的有向性和非周期性要求。通过实施因果加性模型的改进来减少搜索空间和增强有向性，减少了计算工作量，并提高了计算效率，同时通过优先编码先验知识而不是优化损失函数，确保了结果因果性的直观正确性。

背景技术

因果推理是用于确定一个事件是否引起另一事件的宽广研究领域，所述另一事件可以进一步产生对将来事件的可行预测。例如，由于诸如季节的变化、天气的变化、公共政策的变化等的现象，市场上的商品、财产和资产的价值可以随着时间的推移而改变。通过确定一些变量的变化引起其他变量的变化，可以做出可行预测，以例如基于预期市场价格变化高效地设置价格。

可以将用作因果推理基础的这种现象表示为变量的集合。例如，如上面提及的，市场价格、季节、天气、政策等可以各自由变量表示。因果推理的执行涉及绘制这样的集合的不同变量之间的因果关系。因果关系可以用诸如因果图的各种逻辑构造加以编码，其中节点表示变量并且边表示变量之间的关系。

可以通过将回归模型拟合到变量的观测值来对变量的集合执行因果推理。可以根据线性因果性来实现回归模型，假定因果关系是单向的，其中每个这种单向关系可以由线性方程表示。

然而，也存在非线性因果性模型以对更复杂的因果关系进行建模。针对非线性因果性模型建立的回归计算方法遭受若干限制，包括需要计算出计算密集型高维操作；无法在因果图中充分地生成方向性；缺少计算效率等。因此，需要通过非线性因果性模型改进因果推理的回归。

附图说明

参考附图阐述详细描述。在图中，附图标记最左边的数字标识附图标记首次出现在其中的图。在不同的图中使用相同的附图标记指示类似或相同的项目或特征。

图1图示根据本公开的示例实施例的因果加性模型方法。

图2A和图2B图示根据本公开的示例实施例的被配置为计算因果加性建模回归的系统的系统架构。

图3图示根据本公开的示例实施例的用于计算资源和因果加性建模回归模型的服务器主机和远程计算主机的架构图。

图4图示用于实现上述用于实现因果加性建模回归模型的过程和方法的示例计算系统。

具体实施方式

本文讨论的系统和方法涉及实现因果加性模型，并且更具体地涉及基于编码先验知识实现非线性回归以通过有向无环图拓扑构造因果加性模型。

根据本公开的示例实施例，回归模型可以是被拟合到变量的值的观测值的方程的集合。可以基于观测数据来计算回归模型，并且模型的计算可以包括观测数据的变量之间的因果关系的推理。可以利用计算的回归模型来预报或预测作为回归模型的一部分的变量的将来值。

回归模型可以是例如基于线性因果性或非线性因果性。根据线性因果性，对于变量的集合{x₁，x₂，...，x_p}，可以通过格式x_j＝βx_i+∈的线性方程来对变量x_i和x_j之间的因果关系进行建模，其中β是可以在回归期间拟合的线性方程的参数，并且∈是可以表示例如观测变量的值中的噪声的常数。此方程指示x_j依赖于x_i而x_i不依赖于x_j。

因果关系可以逻辑上映射到因果图拓扑，其中变量被映射到顶点。两个顶点之间的(有向)边可以表示由两个顶点(在边的方向上)表示的变量之间的推理因果关系，并且在两个顶点之间不存在边可以表示由两个顶点(在任何一个方向上)表示的变量之间的因果关系的推理存在。有向边可以从父顶点起在子顶点的方向上流动。