因果发现算法选型与调优指南

📚 共计 30 章节

因果发现概述

什么是因果发现？为什么需要因果发现？因果发现 vs 相关性分析。

因果图模型基础

有向无环图(DAG)、马尔可夫等价类、因果充分性假设。

基于约束的算法(PC算法)

PC算法原理、条件独立性检验、骨架学习与方向确定。

基于分数的算法(GES算法)

GES算法原理、BIC评分函数、前向搜索与后向剪枝。

基于函数因果模型的算法(LiNGAM)

LiNGAM假设、ICA分解、因果顺序确定。

基于噪声的算法(ANM)

加性噪声模型、非线性扩展、HSIC独立性检验。

基于条件独立性的算法(FCI)

FCI算法、潜在混淆变量处理、部分有向无环图。

基于时间序列的因果发现

Granger因果、时序PC算法、VAR模型。

基于深度学习的因果发现

DAG-GNN、NOTEARS、梯度下降优化DAG。

深度学习DAG

基于强化学习的因果发现

RL-BIC、因果图搜索策略、奖励函数设计。

强化学习搜索

基于贝叶斯方法的因果发现

贝叶斯网络结构学习、MCMC采样、BGe评分。

基于因果效应的发现

后门准则、前门准则、do-演算、因果效应识别。

效应do-演算

混合因果发现算法

结合约束与分数、MMHC算法、混合搜索策略。

高维数据下的因果发现

稀疏性假设、正则化方法、并行计算策略。

非线性因果发现

核方法、高斯过程、神经网络非线性建模。

非线性核方法

离散数据因果发现

离散PC算法、互信息检验、逻辑回归模型。

离散互信息

混合数据类型因果发现

连续与离散混合、条件独立性检验适配。

混合类型适配

缺失数据下的因果发现

EM算法、多重插补、因果结构恢复。

因果发现中的超参数调优

显著性水平α、惩罚系数λ、搜索深度d。

调优超参数

因果发现中的稳定性分析

Bootstrap重采样、稳定性选择、置信度评估。

稳定性Bootstrap

因果发现中的验证方法

留出法、交叉验证、合成数据验证。

验证交叉验证

因果发现中的可解释性

因果路径解释、特征重要性、可视化工具。

可解释性可视化

因果发现工具库介绍

causal-learn、Tetrad、pcalg、bnlearn。

实战案例(生物信息)

基因调控网络推断、单细胞数据分析。

实战案例(金融风控)

信用评分因果模型、风险传导路径。

实战案例(工业制造)

故障根因分析、质量因果链。

实战案例(推荐系统)

用户行为因果图、干预策略优化。

因果发现中的常见陷阱

混淆变量、选择偏差、测量误差。

因果发现算法对比与选型

算法优缺点对比表、选型决策树。

因果发现前沿与未来方向

因果表示学习、大模型因果推理、开放问题。

前沿大模型