软件学报

作者：郝志峰，汪菲霞，陈正鸣，乔杰，蔡瑞初

单位：郝志峰，广东工业大学 计算机学院, 广东 广州 510006;汕头大学 理学院, 广东 汕头 51506311,汪菲霞，广东工业大学 计算机学院, 广东 广州 51000602,陈正鸣，广东工业大学 计算机学院, 广东 广州 51000603,乔杰，广东工业大学 计算机学院, 广东 广州 51000604,蔡瑞初，广东工业大学 计算机学院, 广东 广州 51000605

关键词：因果结构学习;有限样本量;高方差节点;增强条件独立性检验

基金：新一代人工智能国家科技重大专项(2021ZD0111501); 国家优秀青年科学基金 (62122022)

因果关系发现旨在从观测数据中发现变量间的因果关系, 是帮助我们理解自然界、社会和技术系统中各种现象和变化的重要方法. 一种主流的因果发现方法是基于约束的算法, 这类算法通过检验变量间的条件独立性关系来确定变量之间的因果结构. 然而, 现实世界的数据收集往往受资源或技术的限制, 面临样本量有限, 节点方差大等挑战. 在这些场景下, 条件独立性检验的正确率受到极大影响, 导致学到的因果图中部分变量的因果边被错误地删除, 影响了算法输出的准确性. 为此, 提出一种增强的条件独立性检验的方法, 该方法的核心在于尽可能减少无关外部噪声对于待测试变量的干扰, 从而提高条件独立性检验结果的准确性. 基于该增强的条件独立性检验方法, 提出一种基于启发式搜索的结构学习算法, 该算法在初始结构图的基础上, 迭代搜索被误删的因果边, 基于增强的条件独立性检验并结合得分优化的思想, 重构因果结构. 实验结果显示, 相较于现有方法, 所提算法在仿真数据、贝叶斯网络数据以及真实数据上的F1值和结构汉明距离(SHD)均有显著提升, 证明在有限样本和因果结构中存在高方差节点的条件下更准确地揭示观测数据中潜在的真实因果结构的能力.

来源：2025年第9期

《软件学报》期刊编辑部

查看软件学报杂志2025年第9期