高维不完全观察数据上的因果关系推断及其应用

Exploring and detecting the causalities among variables have shown huge practical values in recent years, with numerous opportunities for scientific discovery, and commonly seen as the core of data science. There remain open and hot research topics on causal inference regarding how to improve the discoverability and reduce the false discovery rate on the high dimensional incomplete observational data, which are generally applicable on disease-causal gene discovery, adverse drug reaction mining and other real world applications. To overcome these challenges, a hierarchical model with global structure layer and local structure layer is devised to accurately depict the causal mechanism on the high dimensional incomplete observational data domain. Our previous studies have validated the feasibility of this research direction. This project targets to further extend the existing causal inference model, and provide an effective method for the causal inference applications on the high dimensional incomplete observational data.

探索和发现事物间的因果关系蕴含着巨大的商业价值和丰富的科学发现机会，是数据科学的核心问题。如何针对致病基因发现、药物不良反应机制挖掘等实际应用中普遍存在的高维不完全观察数据特性，提升算法的发现能力、降低结果的误发现率是因果关系推断研究的难点和热点。针对上述问题，本项目拟重点研究基于全局结构-局部结构分层的因果关系模型，实现高维不完全观察数据因果机制精准刻画。前期研究已验证了本项目的可行性，项目的顺利开展将完善因果推断模型，为高维不完全观察数据上的因果推断应用提供一种有效的方法。

探索和发现事物间的因果关系蕴含着巨大的商业价值和丰富的科学发现机会，是数据科学的核心问题。如何针对社交网络、药物不良反应机制挖掘等实际应用中普遍存在的高维不完全观察数据特性，提升算法的发现能力、降低结果的误发现率是因果关系推断研究的难点和热点。针对上述问题，项目组在较短时间（本项目为1年期项目）内进行以下几方面的研究：1）结合社交网络行为的不完全观察数据特性，研究了基于局部结构特性的隐变量发现方法；2）针对高维数据特性，研究了一种基于局部结构融合的因果关系推断理论与算法框架；3）探索了上述方法在特定领域的应用。取得了以下三方面的成果：1）提出了适用于不完全观察社交网络行为的因果关系发现方法，包括网络结构学习、同时性和同质性隐变量检测算法，在微博数据上发现有四种因果关系作用模式，其中反向影响模式在前序文献中暂未报道。该成果已经被SCI一区杂志TNNLS发表；2）提出了一种基于最大无环基于局部结构融合的全局结构推断算法，降低算法在高维数据上的误发现率，实现高维不完全观察数据上的可靠因果推断。该成果已经根据审稿人意见修改后提交到JCR一区杂志TNNLS。3）在药物不良反应机制挖掘、移动信号优化等领域进行了应用，取得若干应用成果，发表了CCF B类会议1篇，CCF C类会议1篇，核心期刊论文4篇。上述成果，有效完善高维不完全观察数据场景下的算法理论和应用案例，对于推动因果关系的发展起到了促进作用。