[논문 리뷰] Causal-learn: Causal Discovery in Python

Yujia Zheng, Biwei Huang외 7명|arXiv (Cornell University)|2023. 07. 31.

Bayesian Modeling and Causal Inference인용 수 26

한 줄 요약

Causal-learn 은 관찰 데이터로부터 인과 구조를 Python에서 학습할 수 있게 해주는 다양한 인과 탐지 방법, 독립성 검정, 유틸리티를 구현한 오픈소스 Python 라이브러리입니다.

ABSTRACT

Causal discovery aims at revealing causal relations from observational data, which is a fundamental task in science and engineering. We describe $ extit{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, $ extit{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.

연구 동기 및 목표

• 주요 방법론 범주에 걸친 인과 탐지를 위한 포괄적인 Python 라이브러리 제공.
• 실무자와 연구자를 위한 접근 가능한 API, 모듈식 구성요소 및 철저한 문서화 제공.
• 관찰 데이터에서의 인과 구조 학습 지원과 독립성 검정, 점수 산정, 평가 도구 제공.

제안 방법

• 선택 가능한 독립성 검정을 갖춘 대표적인 제약 기반 방법들(PC, FCI, MV-PC, CD-NOD)을 구현합니다.
• 구성 가능한 점수 함수(BIC, BDeu, Generalized Score)를 사용한 점수 기반 방법들(GES, 정확한 탐색, 동적 프로그래밍, GRaSP)을 구현합니다.
• LiNGAM, DirectLiNGAM, VAR-LiNGAM, RCD, CAM-UV, ANM, PNL 등 제약된 기능적 인과 모델을 도입하여 인과 방향을 식별합니다.
• 잠재 변수에 대한 일반화된 독립 잡음(GIN)과 시계열에 대한 Granger 인과성을 통해 인과 표현 학습을 제공합니다.
• 그래프 연산(DAG, CPDAG, PDAG, PAG) 및 평가 지표(정밀도, 재현율, SHD)용 모듈식 유틸리티를 제공합니다.
• 학습 및 평가를 촉진하기 위한 광범위한 데모, 문서 및 벤치마크 데이터 세트를 제공합니다.

실험 결과

연구 질문

• RQ1 제약 기반, 점수 기반, 기능적 인과 모델 계열 전반의 다양한 인과 탐지 방법을 하나의 Python 라이브러리로 어떻게 통합할 수 있는가?
• RQ2 모듈식의 언어 순수 Python 구현이 인과 탐지 워크플로의 접근성과 확장성을 향상시킬 수 있는가?
• RQ3 데이터 유형과 누락 데이터에 걸쳐 다양한 독립성 검정 및 점수 함수가 통합된 인과-학습 프레임워크에서 얼마나 효과적인가?
• RQ4 잠재 변수 인과 탐지를 일반화된 독립 잡음(GIN)을 통해 실제 상황에서 얼마나 촉진할 수 있는가?
• RQ5 Python에서의 평가 및 채택을 뒷받침하는 도구와 벤치마크는 무엇인가?

주요 결과

• Causal-learn은 Python에서 주요 인과 탐지 알고리즘을 여러 가족에 걸쳐 공식 구현을 제공합니다.
• 라이브러리는 다양한(조건부) 독립성 검정 및 점수 함수들을 지원하여 유연한 실험이 가능하게 합니다.
• 모듈식 그래프 표현과 회수된 인과 구조를 평가하는 지표를 제공합니다.
• 학습 및 방법 평가를 돕기 위한 데모, 문서 및 벤치마크 데이터 세트가 포함되어 있습니다.
• 패키지는 Python 전용 구현과 비전문가 및 개발자 모두를 위한 접근 가능한 API로 사용 편의를 강조합니다.