Новый гиперэвристический алгоритм с мягкими и жёсткими ограничениями для выявления причинности с использованием линейной модели структурных уравнений

Искусственный интеллект играет незаменимую роль в повышении производительности и содействии общественному развитию, а выявление причинности является одним из чрезвычайно важных направлений исследований в этой области. Ациклические ориентированные графы (DAG) представляют собой наиболее распространённый инструмент причинно-следственного моделирования благодаря отличной интерпретируемости и структурным свойствам. Однако при недостаточном объёме данных точность и эффективность обучения DAG существенно снижаются, что приводит к ошибочному представлению о причинно-следственных связях. Структурные ограничения, основанные на интуитивно сформированных экспертных знаниях, управляют обучением DAG посредством ограничения причинно-следственных связей между переменными, что может решить указанную проблему. Однако зачастую построить DAG, опираясь только на экспертные знания, невозможно. Для решения этой проблемы предлагается использовать экспертные знания в качестве жёсткого ограничения, а структурный априорный компонент, полученный в результате обучения на данных, — в качестве мягкого ограничения. В настоящей работе предлагается гиперэвристика на основе многорукого бандита с ранжированием по показателю fitness rate (FRRMAB), которая интегрирует мягкие и жёсткие ограничения в процесс обучения DAG. Для линейной модели структурных уравнений (SEM) мягкие ограничения получают с помощью анализа частичной корреляции. Экспериментальные результаты на различных сетях показывают, что предложенный метод обладает более высокой масштабируемостью и точностью.