众所周知，经济和公共卫生领域现实世界的问题发生的原因难以确定。通常会有多种原因被怀疑，但具有时间序列数据的大型数据集不可用。以前的模型无法可靠地分析这些数据。现在，研究人员已经测试了第一个人工智能模型，通过使用多节点因果结构和有向无环图，在没有时间序列数据的情况下识别和排列真实世界问题中的许多原因。
要真正了解造成事件的原因，我们需要考虑信息如何从一个事件流向另一个事件的因果关系。信息流显示存在因果关系，事件A引起事件B。但是，一般因果关系是确定原因所必需知道的是，当从事件A到事件B的时间顺序信息流失时会发生什么？
一般因果关系的数学模型一直非常有限，最多可以解释两个原因。现在，由于人工智能技术的发展，研究人员开发了第一个用于识别多时变序列数据的多因果连接的多因素加性噪声模型（MANM）的一般因果关系鲁棒模型。
南非约翰内斯堡大学和印度的Rourkela国立技术研究所的研究人员开发了该模型，并在模拟的真实世界的数据集上进行了测试。该研究发表在《神经网络》杂志上。
定向非循环图
MANM基于有向无环图（DAG），它可以识别多节点因果结构，MANM可以在复杂特征集中估计每个可能的因果方向，而不会丢失或导致错误的方向。
DAG的使用是MANM明显优于其他人以前开发的基于独立分量分析（ICA）的模型（如线性非高斯非循环模型（ICA-LiNGAM），贪婪DAG搜索（GDS）和回归）。
MANM的另一个关键特征是提出的因果影响因子（CIF），用于成功发现多变量系统中的因果方向，CIF得分为随机推断的质量提供了一个可靠的指标，可以避免大部分失踪或由此产生的因果结构中的错误方向。
在现有数据集可用的情况下，MANM现在可以识别集合内的多个多节点因果结构。例如，MANM可以确定一个地区低收入，中等收入和高收入家庭的持续家庭债务的多重原因。
来源：aiust.com
✽本文资讯仅供参考，并不构成投资或采购等决策建议(M1)。
