[論文レビュー] Causal-learn: Causal Discovery in Python

Yujia Zheng, Biwei Huang+7 more|arXiv (Cornell University)|Jul 31, 2023

Bayesian Modeling and Causal Inference被引用数 26

ひとこと要約

Causal-learnは、広範な因果推論手法、独立性検定、ユーティリティを実装するオープンソースのPythonライブラリであり、観察データから因果構造をPythonで学習できるようにします。

ABSTRACT

Causal discovery aims at revealing causal relations from observational data, which is a fundamental task in science and engineering. We describe $\textit{causal-learn}$, an open-source Python library for causal discovery. This library focuses on bringing a comprehensive collection of causal discovery methods to both practitioners and researchers. It provides easy-to-use APIs for non-specialists, modular building blocks for developers, detailed documentation for learners, and comprehensive methods for all. Different from previous packages in R or Java, $\textit{causal-learn}$ is fully developed in Python, which could be more in tune with the recent preference shift in programming languages within related communities. The library is available at https://github.com/py-why/causal-learn.

研究の動機と目的

• 主要な方法論カテゴリを網羅する因果発見のための.includes?包括的なPythonライブラリを提供する。
• 実務家と研究者向けに、アクセスしやすいAPI、モジュール化されたコンポーネント、充実したドキュメントを提供する。
• 独立性検定、スコアリング、評価のツールを用いて観測データから因果構造を学習することをサポートする。

提案手法

• 選択可能な独立性検定を備えた代表的な制約ベース手法（PC、FCI、MV-PC、CD-NOD）を実装する。
• 構成可能なスコア関数（BIC、BDeu、Generalized Score）を用いたスコアベース手法（GES、厳密探索、動的計画法、GRaSP）を実装する。
• 因果方向を識別するために、制約付き機能的因果モデル（LiNGAM、DirectLiNGAM、VAR-LiNGAM、RCD、CAM-UV、ANM、PNL）を組み込む。
• 潜在変数のためのGeneralized Independent Noise (GIN) を用いた因果表現学習と、時系列データのGranger因果性を提供する。
• グラフ操作（DAG、CPDAG、PDAG、PAG）と評価指標（精度、再現率、SHD）を提供するモジュラーユーティリティ。
• 学習と評価を促進するために、豊富なデモ、ドキュメント、ベンチマークデータセットを提供する。

実験結果

リサーチクエスチョン

• RQ1 Pythonライブラリは、制約ベース、スコアベース、機能的因果モデル系の多様な因果発見手法をどのように統合できるか？
• RQ2 モジュラーで言語純粋なPython実装は、因果発見ワークフローの利用性と拡張性を向上させることができるか？
• RQ3 さまざまな独立性検定とスコア関数が、データ型や欠損データを横断する統一的なcausal-learnフレームワーク内でどの程度有効か？
• RQ4 実務的なシナリオにおいて、Generalized Independent Noiseを介して潜在変数の因果発見をどの程度促進できるか？
• RQ5 Pythonでの因果発見手法の評価と普及を最も効果的に支援するツールとベンチマークは何か？

主な発見

• Causal-learnは、複数のファミリにまたがる主要な因果発見アルゴリズムの公式実装をPythonで提供します。
• このライブラリは、(条件付き)独立性検定とスコア関数の多様なバリエーションをサポートしており、柔軟な実験を可能にします。
• 回復された因果構造を評価するためのモジュラ―なグラフ表現と評価指標を提供します。
• 学習と手法評価を支援するデモ、ドキュメント、ベンチマークデータセットが含まれています。
• パッケージは、Pythonのみの実装と非専門家や開発者の双方にとって利用しやすいAPIを強調します。