基于混合条件独立性测试的因果发现算法

在因果发现领域中,条件独立性(Conditional independence;CI)测试方法决定了基于约束的算法的效率和准确度.Peter-Clark(PC)算法是应用最为广泛的一个基于约束的算法.由于CI测试方法的局限性,该算法在处理高维数据时存在耗时过长和准确度不高的问题.该文提出一种混合CI测试方法(Mixed CI Test;MCIT),它是一种基于核函数的CI测试方法(Kernel-based Conditional Independence Test;KCIT),并结合偏相关性测试.MCIT能与PC算法结合(称为PC_(MCIT))进行因果发现.MCIT通过偏相关性测试减少了KCIT中存在的大量有关核矩阵的运算,从而提高了因果发现的效率;同时又保留了KCIT能够处理非线性数据的优点,因而保证了因果发现的准确度.在各数据集上的实验结果表明,PC_(MCIT)的精确率比基于KCIT的PC算法(称为PC_(KCIT))有显著提高,与基于非线性回归的PCRCIT算法不相上下;而PC_(MCIT)的平均运行时间比后两者大为缩短.

电子封装的边界条件独立热阻网络模型的研究

研究倒装陶瓷球栅阵列(flip chip ceramic ball grid array,FC-CBGA)电子封装的边界条件独立热阻网络模型.依据热模型的研究路线图,采用三维有限体积法,建立了详细热模型,所得热阻与模拟冷板实验结果对比的平均误差为3.78%,验证了详细热模型的准确性.在此基础上,建立了FC-CBGA三热阻网络模型,它与详细热模型在加装冷板、热沉、强制对流等21类边界条件下的结温对比误差均小于4%.结果表明,该热阻网络模型具有边界条件独立性,结构更加简单,能快速准确地获取电子封装的结温与热阻,可完全替代详细热模型来分析电子系统的热流路径和热管理.

基于全条件独立的贝叶斯网络MPD-JT构造算法

针对求解贝叶斯网络最大主子图存在的NP(non-deterministic polynomialtine)难问题,提出了一种基于全条件独立结构的最大主子图连接树(maximal prime sub-graph decomposition junction tree,MPD-JT)构造算法。该算法通过道义图上的全条件独立结构得到贝叶斯网络最大主子图,并利用构成这些最大主子图的节点作为簇节点构造连接树,避免了三角化过程,而且在求解过程中通过删除一些符合条件的点,大大降低了算法复杂度。给出了算法的理论证明,通过具体案例分析验证了算法的有效性。

基于条件独立性测试的贝叶斯网结构学习改进算法

针对基于条件独立性测试贝叶斯网结构学习算法在删除完全图边时的不足,提出加入对节点x和y的互信息测试的改进算法,不但能充分考虑到D-分离原理中存在的3种图型结构,使学习到的网络结构更接近于解,而且还从一定程度上减少了三角团的存在,从而也将低了确定边方向时出现环路的概率.并通过实验证明改进算法是有效、可行的.

条件独立及其性质

独立是概率论中特有的概念,有着十分重要的意义.本文应用条件概率给出了条件独立的概念,得到了条件独立的相关性质.

一种基于条件独立性的关联规则过滤方法

重点分析了一种关联规则挖掘算法的基本原理,提出了一种基于条件独立性的关联规则过滤的方法,并分析了其它的几种过滤方法。

条件独立性的三种形式及其相互关系

给出了随机变量的随机条件独立性、回归条件独立性及其强随机条件独立性的概念 ,并且证明了这几种条件独立性的相互关系。主要结论是在一定条件下 ,强随机条件独立必有回归条件独立 ;随机条件独立性与回归条件独立性是等价的。它们对概率论及其数理统计的应用是有意义的。

关于停点、停线前事件δ域的条件独立性

本文讨论了R_+~n中的停点前事件6域族和R_+~2中的停线前事件的条件独立性。

复随机变量的条件独立性与条件回归独立性

将实随机变量的条件独立性与条件回归独立性的研究推广到复随机变量,讨论了复随机变量的条件独立性、条件回归独立性及强条件独立的关系,得到了三者等价的几个充分必要条件.

完美数与亲和数问题对PA的条件独立性——对一些数论问题的逻辑讨论(Ⅲ)

用模型论方法证明了 ,对于在自然数系N上与PA等价的一组公理P1而言 ,N中一类特殊完美数的无限性是独立于P1的 .并且 ,N中一类特殊亲和数的无限性也是独立于P1的 .

基于低阶条件独立测试的因果网络结构学习方法

基于条件约束的方法可从数据集中学习到变量间的因果关系,并构建出因果网络图.但是在高维数据情况下,基于条件约束方法的缺点是准确率较低且耗时多,从而严重影响此类方法在高维数据中的应用推广.因此,本文提出了一种基于低阶条件独立测试的因果网络结构学习方法,采用低阶条件独立测试来加速构建因果粗糙骨架;利用分裂?合并策略把高维网络分裂成若干个子网络,并进行因果网络结构学习以提高其准确率;最后整合成完整的因果网络图.实验结果均验证了该方法的可行性.

基于条件独立性的LiNGAM模型剪枝算法

如何根据观察数据来推断因果网络结构是统计学和机器学习领域的重要问题。近年来学者们取得了许多研究成果,Li NGAM算法是其中一种经典的线性因果推断算法。但Li NGAM算法采用的剪枝策略时间复杂度较高,且在稀疏图上准确率低。为此,提出一种基于条件独立性测试的剪枝算法来解决这个问题。该算法首先将变量根据因果顺序重新排列,再按照该次序采用偏相关系数检验变量之间的条件独立性。大量的实验结果表明,基于条件独立性的剪枝算法在稀疏图上比Li NGAM的剪枝算法获得更高的准确率与执行效率。

一类条件独立的随机变量和的密度函数与分布函数

给出了一类随机变量函数列i.i.d.的条件,并就一类满足某种条件独立的连续型随机变量序列,给出了其和的密度函数和分布函数.

同两个σ-域的条件独立性等价的新条件

在完备概率空间（Ω，Ｆ，Ｐ）中，以满足通常条件的子σ－域流为研究对象，讨论了三个与（Ｆ４）条件（即“两个σ－域的条件独立性”）等价的条件，并且说明了它们在两指标鞅论中的内在一致性．

用条件独立性刻划几何分布

设ｙ￣１，ｙ￣２…ｙ￣ｎ是相互独立的，取正整数值的随机变量，Ａ表示事件ｙ＿ｉ－ｙ＿（＋１）≥０；ｉ＝１．２…ｎ－１．那么我们证明在条件Ａ下ｙ＿ｉ－ｙ＿（ｉ＋１）与ｙ＿（ｉ＋１）是独立的，ｉ＝１，２…，Ｋ，当且仅当ｙ＿ｉ（ｉ＝１，２…ｋ）服从几何分布，这里１≤ｋ≤ｎ－１（ｋ个几何分布参数可以不同）。

随机事件的条件独立及其性质

给出随机事件条件独立的概念和随机事件条件独立的性质.

图论在贝叶斯网条件独立性中的应用

贝叶斯网络是将概率论和图论进行有机结合,是一种概率图形模型。该文通过实例和图形,利用图论中的d-分离表示贝叶斯网节点间的通路,使用贝叶斯球算法,分析通路是否阻塞或激活,能够较好判定贝叶斯网中节点间的条件独立性。

一类条件独立的随机变量序列的强极限定理

设E={1,2,…,N},{(X_k,Y_k),k≥1}是在E×E中取值的随机向量序列,其中{Y_k,k≥1}是非齐次马氏链,对任意n≥2,(X_1,…,X_n)在给定(Y_1,…,Y_n)的情况下条件独立,且X_i的条件分布仅依赖于Y_i的值。设i∈E,S_n(i),Q_n(i)分别表示序列X_1,…,X_n与Y_1,…,Y_n中i的个数。本文用分析方法研究关于S_n(i)与Q_n(i)的强极限定理。

条件独立性与条件回归独立性

引入随机变量条件独立、强条件回归独立、逐对条件回归独立、连续条件回归独立、邻对条件回归独立、累积条件回归独立诸定义,证明它们之间的等价关系.

离散型随机变量的条件独立及其性质

应用条件概率引入条件独立的概念,给出了离散型随机变量条件独立的含义及其性质。