COKE：基于时间顺序和专家知识的高比例缺失制造数据的因果发现
内容提要
本研究探讨了不同缺失机制对因果图的影响，并提出了基于专家知识的因果推断平台。通过新型知识图谱嵌入框架CausE，结合因果干预，提升了知识图谱的补全性能。此外，研究介绍了将时间序列数据转化为知识图谱的方法，以识别因果关系，增强决策和优化过程。
延伸解读
缺失机制对因果图的影响
文章指出，不同缺失机制会影响因果图的结构。研究利用多中心子宫内膜癌数据，通过扩展因果发现算法并融入专家知识，验证了所得图形的拟合度和一致性。这表明在实际应用中，忽略缺失机制可能导致因果结论偏差，而结合专家知识有助于提升因果图的可靠性。
知识图谱嵌入的因果增强
针对知识图谱嵌入易受噪声和无关模式误导的问题，文章提出CausE框架。该框架应用因果干预估计混杂嵌入的因果效应，并设计新训练目标以实现稳定预测。实验表明，CausE在知识图谱补全任务上优于基线模型，达到先进水平，为提升嵌入鲁棒性提供了新思路。
时间序列到知识图谱的转化
文章介绍了一种从时间序列数据自动学习知识图谱的框架，旨在解决工业数据的复杂性。该框架利用格兰杰因果关系识别关键属性，并将时间序列转化为知识图谱，以识别过程参数间的因果影响。这有助于提升决策制定、过程优化和知识发现，为工业应用提供实际效用。
因果发现的约束与弱监督方法
文章提及两种方法：一是利用约束编程结合先前知识，解决时间序列因果学习算法可能提供误导性因果信息的问题，且可扩展至大变量集；二是KEEL弱监督方法，融合模糊知识与数据驱动，提升高维小样本场景下因果发现的泛化能力和鲁棒性。这些方法为复杂场景下的因果发现提供了实用途径。
Q&A
这项研究如何分析缺失机制对因果图的影响？
研究通过多中心子宫内膜癌的数据分析不同缺失机制对因果图的影响，并利用专家知识验证图形的拟合度和一致性。
CoKE模型的主要特点是什么？
CoKE模型采用Transformer编码器获取语境化表示，并在链接预测和路径查询中表现优越。
CausE框架如何提升知识图谱的补全性能？
CausE框架应用因果干预来估计混杂嵌入的因果效应，并设计新的训练目标以实现稳定的预测。
如何从时间序列数据中自动学习知识图谱？
研究提出了一种框架，通过解决工业数据的复杂性，将时间序列数据转化为知识图谱，以识别因果关系。
KEEL方法在因果发现中有什么优势？
KEEL是一种弱监督的模糊知识和数据驱动的方法，能够提高高维度和小样本场景中的因果关系发现能力。
CausalDisco方法的创新之处在哪里？
CausalDisco将因果关系发现视为知识图谱补全问题，支持因果解释和预测，并通过加权因果关系提高发现性能。
