王雲霞，曹付元+，凌兆龙

1.山西大学计算机与信息技术学院，太原 030006

2.山西大学计算智能与中文信息处理教育部重点实验室，太原 030006

3.安徽大学计算机科学与技术学院，合肥 230601

因果关系发现在计算机科学领域发挥着重要的作用，比如面向多源数据的因果关系发现[1-3]，选择与类别属性有因果关系的特征来增强机器学习模型的泛化能力与可解释性[4]，利用因果理论解决复杂的机器学习问题[5-6]等。因果结构学习是识别变量之间因果关系的一个学习过程，而挖掘一个与数据拟合程度较好且包含所有变量的全局（或完整）的贝叶斯网络可以学习变量之间的因果关系[7-8]。但是大数据时代的到来使得越来越丰富的数据为因果结构学习带来更多信息的同时也带来了相应的挑战。一方面丰富的数据含有更多的信息，为因果结构学习提供了更多的数据支撑，另一方面数据的维度越来越高，其在计算时间和空间存储上消耗较大，全局因果结构学习将变得困难甚至在更大型的数据集上无法运行。此外，如果仅仅对高维数据中某一部分变量之间的因果关系感兴趣时，构建全局网络是浪费时间与空间的。因此相对于全局因果结构学习方法，局部因果结构学习方法可以在高维数据中挖掘任意感兴趣变量的局部因果结构，且从计算资源与存储资源的角度，局部因果结构挖掘更高效且更具有实际意义。

Silverstein 等人提出第一个局部因果结构学习算法，即LCD（local causal discovery）算法[9]，该算法利用条件独立性学习四个变量之间的因果关系。……