[论文解读] DoWhy-GCM: An extension of DoWhy for causal inference in graphical causal models

Patrick Blöbaum, Peter Götz+3 more|arXiv (Cornell University)|Jun 14, 2022

Bayesian Modeling and Causal Inference被引用 44

一句话总结

DoWhy-GCM 将 DoWhy 库扩展为支持图形因果模型，能够进行比效应估计更广泛的因果查询，包括根因分析、因果结构学习和反事实推理。

ABSTRACT

We present DoWhy-GCM, an extension of the DoWhy Python library, which leverages graphical causal models. Unlike existing causality libraries, which mainly focus on effect estimation, DoWhy-GCM addresses diverse causal queries, such as identifying the root causes of outliers and distributional changes, attributing causal influences to the data generating process of each node, or diagnosis of causal structures. With DoWhy-GCM, users typically specify cause-effect relations via a causal graph, fit causal mechanisms, and pose causal queries -- all with just a few lines of code. The general documentation is available at https://www.pywhy.org/dowhy and the DoWhy-GCM specific code at https://github.com/py-why/dowhy/tree/main/dowhy/gcm.

研究动机与目标

• 通过使用图形因果模型（GCMs）激发并实现超越效应估计的因果推断。
• 提供一个可扩展、模块化的 Python API，用于使用因果机制对因果图进行建模并从数据拟合它们。
• 支持一系列因果问题，如根因识别、结构学习、归因以及 what-if 分析。

提出的方法

• 用有向无环图(DAG)表示因果关系并为每个节点指派因果机制。
• 从观测数据拟合因果机制，或提供真实机制。
• 允许用户在 GCM 的基础上提出广泛的因果问题，包括发现与推理任务。
• 提供模块化接口和封装，以集成第三方 ML 库（如 scikit-learn、SciPy）。
• 采用函数式编程风格，确保 API 不修改 GCM 状态并提供合理的默认值。

实验结果

研究问题

• RQ1 如何使用图形因果模型来回答超越标准效应估计的一组更广泛的因果问题？
• RQ2 哪些机制和学习策略最适合在 GCM 框架内支持根因、分布变动归因和反事实推理？
• RQ3 DoWhy-GCM 如何以模块化、可扩展的方式将因果发现与传统因果推断整合？

主要发现

• DoWhy-GCM 使在图形因果模型内进行根因分析、分布变动归因和情景分析等因果问题成为可能。
• 该库既支持用户指定的因果机制，也支持从观测数据自动推断机制。
• 它提供因果发现能力，在领域知识不足时学习因果结构。
• 设计强调模块化并与现有库兼容，便于集成自定义模型和算法。