Causal Discovery

因果发现旨在从数据中推断哪些变量导致了哪些结果，并生成一张有向图；从 X 指向 Y 的箭头表示 X 直接影响 Y。标准机器学习会学习足以支持预测建模的关联。因果发现则会追问，在干预下这些关联是否依然成立，例如改变机器设置或交通信号灯时序。它会输出一组候选因果结构，其中往往有些边仍未定向，随后再由领域专家和实验进一步完善。

哪些因素让因果结构可学习#

因果图通常是有向无环图（DAG），与贝叶斯网络使用的结构相同，但按因果关系来解读：每个箭头都表示直接影响。发现算法依赖三个标准假设。根据因果马尔可夫条件，已知某个变量的直接原因后，该变量便独立于所有并非其结果的变量。忠实性假设认为，数据中的每个独立关系都来自图结构，而非恰好相互抵消的影响。因果充分性假设则认为，不存在同时导致两个已测量变量的未测量变量。

即使满足这三个假设，观察数据也不总能揭示边的方向。链式结构 X → Y → Z、反向链式结构 X ← Y ← Z，以及分叉结构 X ← Y → Z 都意味着相同的独立性模式，即已知 Y 后，X 和 Z 相互独立，因此无论有多少观察数据，都无法区分它们。碰撞结构 X → Y ← Z 则不同。X 和 Z 本身相互独立，但已知 Y 后就会变得相关；这种特征能够确定两个箭头的方向。

因此，算法会返回马尔可夫等价类：一张部分定向图，其中已定向的边方向确定，未定向的边则可能朝任一方向。这个相同的性质也解释了数据集偏差的一个经典来源：对碰撞变量进行筛选或调整，会在其原因之间制造一种依赖关系，而这种关系在完整总体中并不存在。

发现算法#

大多数方法可归为三类。以 PC 为代表的基于约束的算法以 Peter Spirtes 和 Clark Glymour 命名，他们于 1991 年发表了该算法。算法从完全连接的无向图开始，删除条件独立性检验通过的变量之间的边，然后确定碰撞点方向。FCI 将此方法扩展到存在隐藏混杂因素的情况。基于分数的算法，例如贪心等价搜索（GES），会在图中搜索得分最高的图，分数可采用贝叶斯信息准则；而 NOTEARS 将无环性重新表述为平滑约束，使搜索能够通过梯度下降进行连续优化。LiNGAM 等函数方法假设关系是线性的、噪声是非高斯分布，因此即使只有两个变量，也能识别每条边的方向。

因果发现库还允许将时间顺序、物理约束和专家知识作为背景规则，禁止或要求特定边的存在，从而缩小搜索范围，并确定仅凭数据无法判断方向的边。开源库 causal-learn 实现了这三类方法。下面的示例根据一个已知碰撞点生成数据，并使用 PC 找回该结构：

import numpy as np
from causallearn.search.ConstraintBased.PC import pc

rng = np.random.default_rng(0)
n = 5000

# 真实结构：雨和体育场活动都会导致拥堵
rain = rng.normal(size=n)
event = rng.normal(size=n)
congestion = rain + event + rng.normal(scale=0.5, size=n)

# PC 通过检验条件独立性，仅凭数据恢复图结构
data = np.column_stack([rain, event, congestion])
result = pc(data, alpha=0.05, node_names=["rain", "event", "congestion"], show_progress=False)
print(result.G)

输出列出了两条有向边：rain --> congestion 和 event --> congestion。由于雨和活动相互独立，但已知拥堵后会变得相互依赖，PC 将两条边都定向了。如果真实结构是一条从雨到拥堵再到延误的链，两条边就会保持无向。

因果发现的应用领域#

生物学领域提供了一个早期里程碑。2005 年，Karen Sachs 及其同事通过单细胞测量，学习了包含 11 种蛋白质和磷脂的蛋白质信号网络，找回了大多数已知连接；作者随后通过实验室实验确认了一个新预测的连接。在气候科学中，由 Jakob Runge 开发并通过 Tigramite 软件包实现的 PCMCI 等时间序列方法，能够在处理滞后和自相关的同时，发现气候变量之间的因果联系，非常适合时间序列分析。PyWhy 生态系统将因果发现工具与 DoWhy 配合使用，进入下一步：在图结构确定后估计效应大小。

计算机视觉可以提供这些变量。在交通视频中使用 Ultralytics YOLO26 进行目标计数，可以统计穿过某条线或某个区域的车辆和行人；将每个时间间隔内记录的计数与天气、活动日程和信号灯时序合并后，就可以运行因果发现算法。

因果发现与相关术语的区别#

• 因果表示学习：从像素等原始输入中学习因果变量本身及变量之间的图结构。因果发现则从已经测量的变量开始。
• 可解释 AI（XAI）：解释哪些输入影响了模型的预测，但不会声称改变某个输入就会改变现实世界中的结果。
• 特征工程：选择并构建有助于预测的输入，包括仅与目标相关的变量。因果图则会识别出那些变化会推动目标变化的变量。