典型文献
基于因果生成神经网络的因果特征发现与预测
文献摘要：
近年来,机器学习在医疗保健领域取得了巨大成就.然而,成功应用于医疗问题的机器学习方法仅仅是基于关联而不是因果关系,关联在逻辑上并不意味着因果关系.与关联相比,因果关系进一步探索了变量之间更本质的关系.医疗保健的特殊性决定了其研究方法必须符合因果关系规范,否则错误的干预措施可能会给患者带来巨大负面影响.为此,提出一种因果特征发现与预测方法,用于实例疾病预测.因果特征选择基于函数因果生成神经网络,并使用强化学习框架设计可解释的因果实例特征选择和预测模型.该网络模型由因果预测网络、预测网络和因果门选择网络3个神经网络组成,采用Actor-Critical方法对其进行训练,并在合成数据、开源数据和真实医学数据进行验证,证实了该模型可以在给出预测结果的同时提供因果解释.
文献关键词：
因果效应;可解释性;特征选择;疾病预测
中图分类号：
作者姓名：
钟坤华;秦小林;陈敏;陈芋文
作者机构：
中国科学院成都计算机应用研究所,四川成都610041;中国科学院重庆绿色智能技术研究院,重庆400714;中国科学院大学,北京100049
文献出处：
引用格式：
[1]钟坤华;秦小林;陈敏;陈芋文-.基于因果生成神经网络的因果特征发现与预测)[J].软件导刊,2022(04):1-6
A类：
B类：
特征发现,医疗保健,巨大成就,成功应用,机器学习方法,因果关系,联在,不意,否则,疾病预测,因果特征选择,强化学习,框架设计,预测网络,选择网络,Actor,Critical,合成数据,开源数据,医学数据,因果解释,因果效应,可解释性
AB值：
0.366473
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
