文献综述（或调研报告）
贝叶斯网络
贝叶斯网络是用于在不确定性下进行推理的概率图模型，其中，节点代表随机变量（离散变量或者连续变量），弧代表节点之间的直接联系（或者概率依赖）[12][13]。贝叶斯网络的普遍性来源于一个事实，即人们非常善于从所给的一组变量里面辨认出与这些变量有关的直接原因，并且能确定这一组变量是否包含了全部的相关的那些直接原因[12]。在计算机科学中，贝叶斯网络的发展是由人工智能方面的研究所驱动的，人工智能的目标是生产一个能用于常识性推理的切实可行的框架[3]。智能系统不得不应对不确定性。这种不确定性来源于无知，物理随机性或者难以预测性，以及模糊性[3]。幸运地是，我们可以通过概率来理解和表达不确定性。贝叶斯网络提供了一种对于概率的自然的表示，因此它们已经成为了被广泛用于在不确定性下建模和推理的工具[12]。
贝叶斯网络提供了一种系统和局部的方法来将一种情形的概率信息构建到一个相关的整体中去，这样的方法由一组推理算法来支持[12]。从技术上来说，一个贝叶斯网络是对一个概率分布的压缩表示，该概率分布通常太大以至于不能用传统的概率和统计中的规范来描述，例如表格以及等式[2]。有三种主要的方法可以构建贝叶斯网络：主观构造，从其他说明综合而来，以及从数据学习[12]。
进一步来说，贝叶斯网络最有趣的层面是它正式化了因果关系。
因果关系和干预
在统计学与人工智能应用中，贝叶斯网络的普遍性主要来源于（通常是无意地）它们的解释性，即作为一个过程系统，可以解释观测数据的生成[14]。因果贝叶斯网络的哲学是直接地发掘和表示因果关系，这将是一种更自然也更可靠的方法来表达我们知道的与相信的这个世界[14]。贝叶斯网络的节点与边可以呈现出节点与节点之间的因果关联，但是这些节点之间有着怎么样具体的因果关系是很难直接通过网络本身观察到的。通常，我们可以对贝叶斯网络进行干预，以此来达到目的。
干预是因果系统外部而来的一个作用。更多的时候，只通过所观察到的数据不能够帮助我们认识到事件之间的因果关系。所以，我们需要通过干预这种机制，人为地改变我们所关心的事件的概率分布。通过干预某些事件，从而使得我们能够观察到其他事件随之所呈现出来的改变。然后，我们就可以知道某个事件造成（或者防止）另外一个事件的因果力。干预是一种人为的、有意而为之的行为。
为了测量因果力，学术界有过这些尝试：Wright（1934）建立了第一个正式的图形因果模型理论；Good（1961）给出了因果力测量最早最明确的建议；Cheng（1997）则建立了她的lsquo;效力PCrsquo;理论。他们的这些理论都有借鉴意义，但是都有缺陷。2011年，Korb、Nyberg和Hope提出了互信息与因果干预理论相结合的方式来实现信息测量的方法[1]，即因果信息理论。因果信息是一个信息论上的替代品。与之前的尝试相比，因果信息不具备那些缺陷，同时还有如下优势：因果信息测量能应用于更多不同种类的复杂随机系统，并且能够做到简化贝叶斯网络的解释与应用。
一个新的因果力理论
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
