الملخص
تمت ترجمة أجزاء من هذه الصفحة آلياً وقد تحتوي على أخطاء.
تتيح تدفقات التطبيع السببية (CNFs) الاستدلال السببي من البيانات الرصدية إذا عُرف الهيكل السببي، لكنها تفترض أن بيانات التدريب مكتملة الرصد. نقدم MissCNF، الذي يدرّب CNFs مباشرةً على بيانات ناقصة بتعظيم الاحتمال الهامشي لكل عينة مرصودة جزئيًا، دون إسقاط الصفوف ولا بناء مجموعة بيانات مكتملة. وبفضل البنية السببية المشفرة في التحليل الانحداري الذاتي لـ CNFs، لا يُدمج إلا المتغيرات المفقودة في الإغلاق السلفي لمجموعة المرصودات، بينما تُسقط البقية دون حساب. ونحدد كذلك الشروط التي يستعيد فيها MissCNF التوزيع المشترك الحقيقي، ونقدم emph{إيجابية العائلة السببية}، حيث يكون التعريف ممكنًا حتى حين لا يكون أي سجل في المجموعة مكتملًا أبدًا. ونقارن MissCNF بإستراتيجيتين شائعتين للتعامل مع البيانات المفقودة: الحذف بالصف، وخطوط الإسناد ثم الملاءمة. وعبر ثماني معايير سببية اصطناعية وثلاث آليات فقدان ونسب فقدان تصل إلى 90%، يحقق MissCNF أدنى تباعد KL في 23 من أصل 24 إعدادًا غير خطيًا لـ MCAR وMAR، وفي جميع الإعدادات غير الخطية لـ MNAR، وكذلك أدنى خطأ مضاد للواقع في 20 من أصل 24 إعدادًا. وفي النماذج الهيكلية الخطية، حيث يكون الإسناد الخطي الأفضل، يقع MissCNF ضمن الأعلى اثنين في 22 من أصل 24 إعدادًا.
الكلمات المفتاحية
الموضوع
بيانات النشر
- المجلة
- غير متاح
- وصول مفتوح
- وصول مفتوح أخضر
اقتبس هذه المقالة
APA 7
Hoang, T. D., Bissoto, A., Flühmann, T., Herzig, D., Nakas, C., Bally, L., & Koch, L. M. (2026). تعلم تدفقات التطبيع السببية من بيانات غير مكتملة عبر احتمال البيانات المرصودة. https://omanscience.com/ar/articles/learning-causal-normalizing-flows-from-incomplete-data-via-observed-data-likelihood
MLA 9
Hoang, Trung-Dung, et al. "تعلم تدفقات التطبيع السببية من بيانات غير مكتملة عبر احتمال البيانات المرصودة." https://omanscience.com/ar/articles/learning-causal-normalizing-flows-from-incomplete-data-via-observed-data-likelihood.
شيكاغو (المؤلف–التاريخ)
Hoang, Trung-Dung, Alceu Bissoto, Tim Flühmann, David Herzig, Christos Nakas, Lia Bally, and Lisa M. Koch. 2026. "تعلم تدفقات التطبيع السببية من بيانات غير مكتملة عبر احتمال البيانات المرصودة." https://omanscience.com/ar/articles/learning-causal-normalizing-flows-from-incomplete-data-via-observed-data-likelihood.
هارفارد
Hoang, T. D., Bissoto, A., Flühmann, T., Herzig, D., Nakas, C., Bally, L. and Koch, L. M. (2026) 'تعلم تدفقات التطبيع السببية من بيانات غير مكتملة عبر احتمال البيانات المرصودة', Available at: https://omanscience.com/ar/articles/learning-causal-normalizing-flows-from-incomplete-data-via-observed-data-likelihood.
فانكوفر
Hoang TD, Bissoto A, Flühmann T, Herzig D, Nakas C, Bally L, et al. تعلم تدفقات التطبيع السببية من بيانات غير مكتملة عبر احتمال البيانات المرصودة. https://omanscience.com/ar/articles/learning-causal-normalizing-flows-from-incomplete-data-via-observed-data-likelihood
IEEE
T. D. Hoang, A. Bissoto, T. Flühmann, D. Herzig, C. Nakas, L. Bally, and L. M. Koch, "تعلم تدفقات التطبيع السببية من بيانات غير مكتملة عبر احتمال البيانات المرصودة," https://omanscience.com/ar/articles/learning-causal-normalizing-flows-from-incomplete-data-via-observed-data-likelihood.