动态环境下复杂系统因果关系发现与稳健性推理的研究

现实复杂系统中因果关系具有高维、动态易变、易受干扰以及与其它依赖关系相交织等特点，使已有模型、方法与机制难以满足因果发现的可靠性、时空性能等方面的要求。因此，如何实时有效地发现隐藏的因果关系、揭示因果关系演化的机理，设计合理模型和稳健性推理方法成为动态复杂系统因果发现问题的重要任务。本课题重点开展基于概率图模型的因果发现问题研究。通过深入分析动态系统内部各种关系的结构特征，探索干扰建模与模型结构分解理论依据，寻求合理因果模型和降维方法；进而，基于局部结构的灵敏性分析与概率分布转移的检测，联合观察数据和干扰数据，研究因果关系辨识与因果模型演化的算法。此外，在因果知识引导下，研究基于抽样分布近似的因式推理算法、设计基于条件触发控制的稳健性推理方法。在上述工作基础上，设计并实现在基因调控等领域的因果发现问题求解系统。

项目完成了国家基金任务书所列的内容：因果概率模型和可计算性研究方面，将动态因果影响分析推广到一般的动态概率图模型，理论证明了一般要求公式的正确性和有效性；因果概率图模型因果结构关系分析方面，隐变量是一种重要的因果要素，提出一种新颖的隐变量维数学习算法。因果概率图模型因果函数关系分析方面，提出了一种基于流模式发现的因果相关性分析方法，基于扰动原理论证了在概率图模型局部结构因果关系不确定大和因果强度大的地方更可能存在隐因素的科学假设；在知识表示和因果推理分析方法方面，有的贝叶斯推理算法不同程度地存在推理精度低或推理时间高的问题，提出了一种基于马尔可夫毯分解的抽样近似推理算法；因果理论在复杂系统中的应用研究方面。用复杂系统的能量特性，引入影响力概念，研究动态复杂网络的社团划分方法，以有效地发现股票网络的社团结构。在Trans.和《计算机学报》等国内外著名学术期刊发表论文20篇以上，其中SCI索引4篇，EI索引期刊8篇，培养博士3人，硕士20人。