因果发现核心方法：从小白到入门

📚 共计 30 章节

因果思维入门

什么是因果关系？相关关系 vs 因果关系，为什么因果发现很重要？课程整体框架介绍。

核心概念思维转变

概率论与统计基础

条件概率、贝叶斯定理、期望与方差、协方差与相关系数。

数学基础必备知识

有向图与无向图、路径与环、DAG（有向无环图）的定义与性质。

结构因果模型 (SCM)

SCM三要素（变量、结构方程、外生变量）、干预 vs 观察、do-operator 直观理解。

因果图与条件独立性

d-分离（d-separation）概念、通过图判断条件独立、马尔可夫性质与忠实性假设。

d-分离马尔可夫

PC算法的核心思想、骨架学习（Skeleton Discovery）、条件独立性检验（Fisher-Z, G²）。

方向确定（V-结构/碰撞器）、Meek规则、PC算法的优缺点与实战案例。

FCI算法与PC的区别、处理隐变量（Latent Confounders）、PAG（部分祖先图）输出。

基于分数的搜索（Score-based）、BIC/AIC评分、贪婪搜索（插入、删除、转向操作）。

贪婪搜索BIC

线性非高斯模型假设、ICA在因果发现中的应用、LiNGAM的步骤与代码实现。

ANM (加性噪声模型)

非线性因果发现、ANM假设、回归与独立性检验的结合。

加性噪声非线性

基于分布变化的因果发现、利用数据来自不同环境/干预下的信息。

分布变化多环境

基于约束的方法总结

PC、FCI、CD-NOD的对比、何时选择哪种算法？

基于分数的方法总结

GES、GFCI、BIC评分背后的直觉、搜索空间优化。

基于函数模型的方法总结

LiNGAM、ANM、PNL（后非线性模型）的对比。

函数模型PNL

因果发现中的假设检验

p值、显著性水平、多重检验校正（Bonferroni, FDR）。

因果发现中的评估指标

SHD（结构汉明距离）、TPR/FPR、F1分数、运行时间。

合成数据生成

使用线性/非线性SCM生成数据、模拟干预数据、评估算法的基准。

真实数据案例

生物信息学（基因调控网络）、经济学（政策评估）、推荐系统（用户行为因果图）。

应用交叉领域

时间序列因果发现

Granger因果、瞬时因果、时间滞后、VAR模型与因果图。

时间序列Granger

因果发现与机器学习

特征选择中的因果视角、因果表征学习、反事实预测。

表征学习反事实

因果发现工具库

causal-learn（Python）、Tetrad（Java）、DoWhy、EconML。

工具causal-learn

Python实战：PC算法

安装causal-learn、生成DAG、运行PC算法、可视化因果图。

实战可视化

Python实战：GES算法

运行GES算法、比较不同评分函数、输出因果图。

GES评分函数

Python实战：LiNGAM

运行LiNGAM算法、处理非高斯数据、解读结果。

LiNGAM非高斯

Python实战：FCI算法

运行FCI算法、处理隐变量场景、解读PAG。

因果发现中的常见陷阱

有限样本偏差、违反忠实性假设、高维诅咒。

因果发现前沿

因果发现与深度学习（DAG-GNN, NOTEARS）、因果发现与强化学习。

前沿深度学习

因果发现伦理与可解释性

因果图的可信度、避免虚假因果、可解释AI中的因果角色。

伦理可解释性

课程总结与未来方向

因果发现四大范式回顾、推荐学习路径、开源社区与论文资源。