كشف سببيت احتمالاتي در يك فرايند طبيعي به وسيله مدل گرافي احتمالاتي زمان دار

دكتري

كشف سببيت و بررسي روابط سببي احتمالاتي يكي از موضوعات اساسي در تحليل پديدههاي طبيعي در دنياي واقع است. در بسياري از پديدههاي طبيعي از جمله كاربردهاي باليني ما با مجموعه دادههاي دنباله‌اي و زماندار سر و كار داريم كه شبكه بيزي استاندارد قادر به تحليل اين گونه دادهها نيست، اما شبكه بيزي پويا كه نسخه تعميم يافته زماندار شبكه بيزي است، قادر به تحليل روابط سببي احتمالاتي ميان متغيرها در برشهاي زماني پشت سر هم است. الگوريتمهاي كشف سببيت كه در دادههاي دنبالهاي مورد استفاده قرار ميگيرند صرفاً با استفاده از روشهاي آماري و احتمالاتي به تحليل سببيت ميپردازند و تنها از معيارهاي احتمالاتي براي ارزيابي ميزان قطعيت روابط سببي استفاده مي‌نمايند. در اين رساله ما يك مدلي جديد براي تحليل سببيت احتمالاتي در دادههاي دنبالهاي يك پديدههاي طبيعي ارائه نموديم كه از مفاهيم نظريه اطّلاعات براي بررسي قطعيت روابط سببي استفاده مينمايد. در مدل پيشنهادي، براي كشف روابط سببي ميان متغيرها، تابع توزيع احتمال شرطي تمام زوج متغيرها براساس ميزان تغييرات متغيرها در برشهاي زماني متوالي تخمين زده ميشود و سپس ميزان قطعيت هر يك از توابع توزيع با استفاده از معيار آنتروپي تعيين گرديده و در نهايت مجموعه روابط سببي استخراج شده با استفاده از ساختار گراف سببي نمايش داده ميشود. در مرحله بعد مجموعهاي از روابط سببي دنبالهاي به صورت زنجيرههاي سببي احتمالاتي، از روي گراف سببي توليد شده در مرحله قبل، به وسيله يك الگوريتم حريصانه جديد توليد مي‌شود، كه الگوريتم حريصانه پيشنهادي داراي زمان اجراي چند جملهاي بر حسب تعداد گرههاي گراف سببي است. نتايج پيادهسازي مدل پيشنهادي روي مجموعه دادههاي دنبالهاي بيماري عصبي مزمن ALS نشان مي‌دهد كه الگوريتم پيشنهادي با دقت خوبي قادر به پيشبيني روند تشديد اين بيماري روي بيماران مورد نظر است. نتايج مقايسه مدل پيشنهادي با الگوريتمهاي درخت بيزي، جنگل تصادفي، رگرسيون بردار پشتيبان، رگرسيون خطي و رگرسيون چند متغيره نشان ميدهد كه الگوريتم پيشنهادي قابل رقابت با الگوريتمهاي مشابه است و در برخي موارد دقت آن از الگوريتمهاي ديگر بالاتر است.

195425

دانشگاه علم و صنعت ايران

دكتر بهروز مينايي بيدگلي

هوش مصنوعي

دكتر محمدرضا جاهد مطلق