一种融合Kolmogorov-Arnold网络连续优化框架的新型非线性因果发现方法

本发明公开了一种基于Kolmogorov‑Amold网络的非线性因果发现方法(KAN‑NOTEARS)，属于人工智能与因果推断技术领域。该方法包括：获取包含多个变量的观测数据集；构建以可学习带权邻接矩阵和一组KAN函数为参数的因果模型，其中KAN函数基于Kolmogorov‑Arnold表示定理，通过可学习的一维非线性函数建模变量间的因果机制；构建包含结构方程模型拟合损失和稀疏正则项的目标函数；将有向无环图约束转化为连续可微的代数约束；采用增广拉格朗日方法求解该约束优化问题，获得最优邻接矩阵和函数参数；通过对邻接矩阵进行阈值处理得到最终因果图结构。本发明利用KAN网络在函数逼近方面的理论优势，克服了传统方法在处理复杂非线性因果关系时准确性不足、计算效率低的问题，显著提升了因果发现的精度和效率。