连续因果结构模型

增量学习免约束

该模型针对动态观测数据，能够在实例和特征空间持续变化的情况下在线更新因果结构，突破了传统方法对忠实性假设的依赖。

You, Dianlong · Hongtao, Wu · Jiale, Liu · Huigui, Yan · 马川 · 陈真 · Wu, Xindong

Information Fusion 2024

技术优势

免忠实性假设

利用等式约束保证无环性，避免传统约束方法对忠实性条件的依赖，扩大了适用范围。

特征空间可变

模型能够处理特征空间随时间增长的情况，适用于真实动态系统。

非线性隐变量建模

引入隐变量增强模型表达能力，可捕捉观测变量背后的潜在因果结构。

应用场景

• 系统故障因果诊断：在设备监测数据中在线更新因果图，帮助定位故障根因。
• 动态系统监测：适应传感器和特征持续增加的场景，实现系统因果结构动态追踪。
• 智能体决策推理：为智能体提供可随环境变化的因果模型，辅助推理决策。
• 传感网因果分析：分析传感器变量间的因果关系，处理网络中节点和特征动态变化。