[论文解读] Causality, Causal Discovery, and Causal Inference in Structural Engineering

M.Z. Naser|arXiv (Cornell University)|Apr 4, 2022

Bayesian Modeling and Causal Inference被引用 7

一句话总结

本文倡导在结构工程中整合因果性、因果发现与因果推断，以超越基于相关性的模型。它提出了基础原理，关键算法（例如PC、LiNGAM、do- calculus），以及实际案例研究，展示因果模型如何在结构系统中实现干预分析与“如果……会怎样”推理，相较于传统机器学习方法，为预测和理解结构行为在变化下的表现提供了更稳健的框架。

ABSTRACT

Much of our experiments are designed to uncover the cause(s) and effect(s) behind a data generating mechanism (i.e., phenomenon) we happen to be interested in. Uncovering such relationships allows us to identify the true working of a phenomenon and, most importantly, articulate a model that may enable us to further explore the phenomenon on hand and/or allow us to predict it accurately. Fundamentally, such models are likely to be derived via a causal approach (as opposed to an observational or empirical mean). In this approach, causal discovery is required to create a causal model, which can then be applied to infer the influence of interventions, and answer any hypothetical questions (i.e., in the form of What ifs? Etc.) that we might have. This paper builds a case for causal discovery and causal inference and contrasts that against traditional machine learning approaches; all from a civil and structural engineering perspective. More specifically, this paper outlines the key principles of causality and the most commonly used algorithms and packages for causal discovery and causal inference. Finally, this paper also presents a series of examples and case studies of how causal concepts can be adopted for our domain.

研究动机与目标

• 确立因果建模在结构工程中的必要性，以实现对结构行为的准确预测与干预分析。
• 将因果推断与传统机器学习方法进行对比，强调因果性在处理干预与反事实推理方面的优越性。
• 介绍适用于土木与结构工程数据的核心因果发现算法与推断技术。
• 通过结构系统领域的特定案例研究，展示因果性的实际应用。
• 为研究人员和从业者提供采用因果框架来建模结构行为与性能的指导。

提出的方法

• 本文概述了因果性的基础概念，包括结构因果模型（SCM）与do-calculus，用于干预分析。
• 回顾了主要的因果发现算法，如PC算法、LiNGAM以及基于评分的方法，用于从观测数据中学习因果图。
• 详细阐述了因果推断技术，包括潜在结果与do-calculus，以估计干预效应。
• 介绍了可直接应用的工具与软件包（例如DoWhy、CausalNex、pcalg），用于在结构工程背景下实施因果方法。
• 案例研究展示了在结构健康监测、材料行为与性能预测中应用因果建模的实际案例，使用真实或合成数据。
• 该框架将因果发现与因果推断整合为统一的工作流程，适用于结构系统建模与决策制定。

实验结果

研究问题

• RQ1 与标准机器学习相比，因果发现在多大程度上能提升结构工程模型的可解释性与可靠性？
• RQ2 适用于结构工程数据的关键因果发现算法有哪些？它们在典型数据限制下的表现如何？
• RQ3 因果推断在何种方式下能够实现对假设干预下系统响应的精确预测？
• RQ4 因果模型如何支持结构性能评估与设计优化中的“如果……会怎样”分析？
• RQ5 在将因果方法应用于现实世界结构系统时，会遇到哪些实际挑战？又该如何应对？

主要发现

• 因果模型相较于观测模型，为预测干预下结构行为提供了更稳健的框架。
• 如PC与LiNGAM等因果发现算法能够从观测的结构数据中有效推断因果结构，即使样本量有限。
• 因果推断能够精确估计干预效应，例如材料变更或设计修改对结构性能的影响。
• 因果发现与因果推断的整合使得系统化的“如果……会怎样”分析成为可能，支持主动的设计与维护决策。
• 实际案例研究证明，因果模型提升了模型的可解释性，并减少了对结构数据中虚假相关性的依赖。
• DoWhy与CausalNex等工具支持端到端的因果建模工作流，适用于结构工程应用。