[论文解读] 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 26

一句话总结

Causal-learn 是一个开源的 Python 库，实现了广泛的因果发现方法、独立性测试和工具，允许用户在 Python 中从观测数据中学习因果结构。

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.

研究动机与目标

• 提供一个覆盖主要方法类别的综合 Python 因果发现库。
• 为从业者和研究人员提供易于使用的 API、模块化组件和全面文档。
• 支持从观测数据学习因果结构，提供独立性测试、评分和评估工具。

提出的方法

• 实现具有可选独立性测试的代表性基于约束的方法（PC、FCI、MV-PC、CD-NOD）。
• 实现基于分数的方法（GES、精确搜索、动态规划、GRaSP），可配置评分函数（BIC、BDeu、广义评分）。
• 结合约束型函数因果模型（LiNGAM、DirectLiNGAM、VAR-LiNGAM、RCD、CAM-UV、ANM、PNL）以识别因果方向。
• 通过广义独立噪声（GIN）对潜变量进行因果表示学习，以及对时间序列的格兰杰因果性。
• 提供用于图形操作（DAGs、CPDAGs、PDAGs、PAGs）和评估指标（精确度、召回率、SHD）的模块化工具。
• 提供广泛的演示、文档和基准数据集，以促进学习和评估方法。

实验结果

研究问题

• RQ1 一个 Python 库如何将约束、基于分数和函数型因果模型族的多种因果发现方法整合在一起？
• RQ2 模块化、纯 Python 实现是否能提高因果发现工作流的可访问性和可扩展性？
• RQ3 在统一的 causal-learn 框架中，各种独立性测试和分数函数在不同数据类型和缺失数据下的有效性如何？
• RQ4 在实际场景中，如何通过广义独立噪声促进潜变量因果发现？
• RQ5 哪些工具和基准最好地支持在 Python 中对因果发现方法进行评估和采用？

主要发现

• Causal-learn 在 Python 中为跨多家族的主要因果发现算法提供官方实现。
• 该库支持各种(条件)独立性测试和评分函数，便于灵活实验。
• 它提供模块化的图形表示和评估指标来评估恢复的因果结构。
• 包含演示、文档和基准数据集，帮助学习和方法评估。
• 该包强调易用性，采用仅 Python 实现并提供面向非专家和开发人员的可访问 API。