Dissertação
From cause-effect pairs to causal graphs EVALUATED
A inferência de causalidade é um dos principais tópicos no mundo da aprendizagem automática, sendo a procura de desvendar as causas e efeitos subjacentes em sistemas complexos um desafio considerável. Esta procura de causalidade deu origem a um conjunto diversificado de métodos, cada um oferecendo uma perspetiva única para compreender estas ligações. Ao longo dos anos, foram desenvolvidos vários métodos para tentar resolver o problema da descoberta da causalidade, alguns dos quais podem ser classificados em três grupos principais: métodos baseados em restrições, métodos baseados em pontuações ("scores") e métodos concebidos para distinguir entre pais e filhos nas relações causais. Os métodos baseados em pontuações, empregam medidas estatísticas para avaliar a força das relações causais, e os métodos que distinguem pais e filhos concentram-se em delinear a direção da causalidade entre as variáveis. Esta tese tem como objetivo explorar o panorama da inferência causal, com um foco específico na análise e comparação de diferentes métodos baseados em pontuações, incluindo o Bayesian Information Criterion (BIC) e o Bayesian Dirichlet equivalent uniform (BDeu), juntamente com as suas respectivas variantes implementadas, utilizando a entropia e a divergência de Kullback-Leibler. O objetivo é esclarecer o desempenho destes scores no contexto de vários cenários de descoberta causal, em diferentes tipos de grafos caracterizados por estruturas distintas e com diferentes níveis de ruído no sistema.
novembro 22, 2023, 17:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Mário Alexandre Teles de Figueiredo
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Catedratico