[发明专利]用于训练因果模型的方法和设备

说明书

本公开的实施例涉及用于训练因果模型的方法、设备和计算机可读存储介质。例如，一种用于训练因果模型的方法包括：基于多个观测变量和至少一个隐变量来建立因果模型，该因果模型包括待确定的第一参数和第二参数，第一参数指示多个观测变量之间的第一关系，第二参数指示至少一个隐变量与多个观测变量之间的第二关系；通过采用概率主成分分析，确定第二参数和与第一参数相关联的第三参数；基于第二参数和第三参数，确定因果模型的噪声；以及基于噪声，确定第一参数。本公开的实施例还提供了能够实现上述方法的设备和计算机可读存储介质。

技术领域

本公开的实施例涉及机器学习领域，并且更具体地，涉及用于训练因果模型的方法、设备和计算机可读存储介质。

背景技术

随着信息技术的飞速发展，数据规模的增长十分迅速。在这样的背景和趋势下，机器学习受到越来越广泛的关注。其中，因果发现(诸如线性因果关系发现、线性隐变量因果关系发现等)在现实生活中具有广泛的应用，例如在供应链、医疗健康和零售等领域。然而，由于隐变量的存在以及隐变量对于观测变量的未知的作用，求解包含隐变量的线性因果关系是因果发现中重要而困难的挑战。

一些传统方案可以采用过完全独立成分分析的方法，通过枚举隐变量和观测变量之间所有可能的分类来找到可能的因果结构。然而，这类方案仅能够针对变量较少的因果发现，其时间效率低并且易受内存消耗的影响。另一些传统方案假设隐变量和观测变量之间为非线性关系，其通过使用非变分高斯过程隐变量模型来获得隐变量和噪声，进而针对非高斯噪声采用独立成分分析以获得因果结构。然而，由于这类方法采用尺度共轭梯度方法进行参数估计，其对于线性因果关系而言并非高效，并且不能够针对高斯噪声来确定因果结构。

发明内容

下面给出了对各实施例的简要概述，以提供对各种实施例的一些方面的基本理解。注意，发明内容部分并非旨在标识关键元素的要点或描述各种实施例的范围。其唯一目的在于以简化形式呈现一些概念，作为对后述更具体描述的前序。

在本公开的第一方面，提供一种用于训练因果模型的方法。该方法包括：基于多个观测变量和至少一个隐变量来建立因果模型，该因果模型包括待确定的第一参数和第二参数，第一参数指示多个观测变量之间的第一关系，第二参数指示至少一个隐变量与多个观测变量之间的第二关系；通过采用概率主成分分析，确定第二参数和与第一参数相关联的第三参数；基于第二参数和第三参数，确定因果模型的噪声；以及基于噪声，确定第一参数。

本公开的第二方面，提供一种用于训练因果模型的设备。该设备包括：处理器，以及存储器，该存储器存储有指令，该指令在被处理器执行时使该设备：基于多个观测变量和至少一个隐变量来建立因果模型，该因果模型包括待确定的第一参数和第二参数，第一参数指示多个观测变量之间的第一关系，第二参数指示至少一个隐变量与多个观测变量之间的第二关系；通过采用概率主成分分析，确定第二参数和与第一参数相关联的第三参数；基于第二参数和第三参数，确定因果模型的噪声；以及基于噪声，确定第一参数。

本公开的第三方面，提供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，该计算机可读程序指令用于执行根据本公开的第一方面所述的方法。

通过下文描述将会理解，本公开的实施例能够高效地求解包含隐变量的线性因果模型，并且同时支持高斯噪声和非高斯噪声两种情况。此外，本公开的实施例具有较高的时间效率和较低的内存消耗。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

从下文的公开内容和权利要求中，本发明的目的、优点和其他特征将变得更加明显。这里仅出于示例的目的，参考附图来给出优选实施例的非限制性描述，在附图中：

图1示出了根据本公开的实施例的用于训练因果模型的架构100的框图；