[發明專利]信息處理裝置、信息處理方法和程序

無效

• 申請號: 201310092502.7
• 申請日: 2013-03-21
• 公開（公告）號: CN103365829A
• 公開（公告）日: 2013-10-23
• 發明（設計）人: 磯崎隆司
• 申請（專利權）人: 索尼公司
• 主分類號: G06F17/18
• 分類號: G06F17/18
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 朱勝;李春暉

技術領域

本技術涉及信息處理裝置、信息處理方法和程序，尤其涉及一種能夠增強多個變量之間的估計因果關系的可靠性的信息處理裝置、信息處理方法和程序。

背景技術

根據現有技術的根據關于多元隨機變量的觀察數據來估計統計因果關系大致分為如下方法：通過信息標準、具有懲罰的最大似然法、或貝葉斯法將估計結果獲得為分數并且使分數最大化的方法，以及通過變量之間的條件獨立性的統計測試來估計變量之間的因果關系的方法。為了良好的結果可讀性，作為結果的變量之間的因果關系常被表示為圖形模型（非循環模型）。

圖1示出表示變量X和變量Y之間的因果關系的圖形模型的三個示例。

在圖1的上部示出的圖形模型中，變量X和變量Y之間的因果關系未經確認，并且變量X和變量Y用作由非定向邊（無向邊）鏈接的頂點。在圖1的中部示出的圖形模型中，變量X和變量Y之間的因果關系是變量X對應于因并且變量Y對應于果，以及變量X和變量Y用作由指示從因到果的方向的定向邊（有向邊）鏈接的頂點。在圖1的下部示出的圖形模型中，變量X和變量Y用作由三個變量和用于鏈接變量的邊鏈接的頂點。在圖1的下部示出的圖形模型中，三個變量和用于鏈接變量的邊形成變量X和變量Y之間的路徑，并且該路徑可部分地包括有向邊。

通過變量之間的條件獨立性的統計測試來估計變量之間的因果關系的方法已變得重要，因為該方法可能會估計潛在公共因變量的存在并且有向邊的方向的理由基于物理背景。然而，另一方面，由于統計測試的檢測能力不足，所以估計結果的可靠性低。

在該方法的初始嘗試中，為了執行n元隨機變量中的兩個變量之間的條件獨立性的測試，考慮從（n-2）個變量中提取所有變量組合作為用作條件獨立性的條件的條件變量集，該變量組合的數量最小為0并且最大為（n-2），并且以循環（round-robin）的方式執行測試。然而，在這種情況下，變量組合的數量成指數增加，并且使用計算器執行計算是不實際的。

稍后公開了一種顯著降低測試所需計算量的算法（參見P.Spirtes,C.Glymour,R.Scheines,Causation,Prediction,and?Search,MIT?Press,第二版,2000年）。如果假設變量之間的條件獨立性由有向非循環圖唯一地表示，則唯一地確定使兩個特定變量條件地獨立的條件變量集，并且條件變量不與關注的變量條件地獨立。在這樣的條件下，在以升序增加條件變量集的數量的同時執行測試，并且在獨立性未被拒絕的情況下，立即移除兩個變量之間的邊。然而，這種算法仍涉及大量測試嘗試，這可能導致頻繁的測試錯誤。

為了解決這種問題，P.Spirtes等也公開了對以上討論的算法的改進，其進一步降低了在條件變量設置在關注的兩個變量之間的路徑上的條件下的計算量。然而，在算法的執行期間，保留稍后被確定為獨立的邊，因此允許遵循長路徑。因此，可能無法有效地顯著降低測試中的嘗試次數。

提出了一種通過遞歸地將整個圖劃分為小的子圖來降低具有大量條件變量集的獨立性測試的嘗試次數的算法（參見R.Yehezkel,B.Lerner,Bayesian?Network?Structure?Learning?by?Recursive?Autonomy?Identification,Journal?of?Machine?Learning?Research,Vol.10,pp.1527-1570,2009年）。然而，該算法可能無法抑制如下測試錯誤的出現：在具有少量條件變量集的獨立性測試中，內在地不獨立的變量被確定為獨立的。

另外，X.Xie,Z.Geng,A?Recursive?Method?for?Structural?Learning?of?Directed?Acyclic?Graphs,Journal?of?Machine?Learning?Research,Vol.9,pp.459-483,2008年公開了以與根據R.Yehezkel等的方法不同的方法來執行遞歸處理。然而，在根據X.Xie等的方法中，獨立性測試需要大量條件變量，這可能導致缺少計算穩定性。

發明內容

因此，尚不存在通過條件獨立性測試來充分地提高多個變量之間的因果關系的估計的低可靠性的方法。

所以，期望增強多個變量之間的估計因果關系的可靠性。