Meta-apprendimento per la selezione dei migliori algoritmi di scoperta causale

La selezione del miglior algoritmo di scoperta causale per qualsiasi nuovo set di dati è un processo difficile e che richiede molto tempo poiché richiede che il ricercatore abbia una conoscenza preliminare degli algoritmi di apprendimento strutturale standard esistenti. Questa ricerca ha proposto un nuovo approccio di meta-apprendimento a questo problema. Il meta-apprendimento si riferisce all'apprendimento di algoritmi di apprendimento in cui diversi tipi di meta-dati come le proprietà del problema di apprendimento le misure di performance di diversi algoritmi e i modelli precedenti derivati dai dati vengono utilizzati per selezionare il migliore o una combinazione di algoritmi di apprendimento per risolvere efficacemente un dato problema di apprendimento. Diverse reti bayesiane presenti in letteratura sono state manipolate campionate per generare migliaia di insiemi di dati e da ognuna sono state estratte caratteristiche specifiche per il meta-apprendimento. Tre algoritmi standard di apprendimento strutturale sono stati eseguiti su ciascuno dei set di dati generati per scoprire le reti causali sottostanti e sono state valutate le loro prestazioni. Con le nostre nuove tecniche siamo stati in grado di implementare uno strumento per generare molti modelli causali campionare molti set di dati da ciascun modello e successivamente determinare il migliore o una combinazione di algoritmi per nuovi set di dati attraverso il meta-apprendimento.