从学习的因果网络估计因果效应
内容提要
本文探讨了贝叶斯网络建模中的参数独立性、模块化特性及似然等价性假设，提出了新的机制独立性和组件独立性假设。介绍了“关系性因果发现”算法及基于祖先图的框架，用于识别因果效应，并研究了因果贝叶斯网络的测试与学习问题，提出了多种有效算法和主动学习框架，以提高因果推断的准确性和效率。
延伸解读
从假设到算法：因果发现方法演进
文章按时间顺序梳理了因果发现领域的关键进展。早期工作聚焦于将无因果网络的学习方法迁移到因果网络，提出了机制独立性和组件独立性假设。随后，关系性因果发现算法通过关系模型和条件独立性提升推理，实现了因果关系的可靠学习。这些假设和算法为后续研究奠定了理论基础。
祖先图框架：非实验数据中的因果效应识别
基于祖先图的算法框架为从观测数据中识别因果效应提供了系统方法。该框架能有效测试、构建和枚举m-分隔符，并证明了协变量调整与m-分离在特定图结构中的规约关系。由此得到的构造性条件刻画了所有调整集，扩展了存在潜在混淆因素时的现有解决方案。
主动学习与深度学习：提升因果推断效率
ABCI框架结合贝叶斯方法与高斯过程，通过最大信息设计从少量样本中高效学习因果查询，并提供预测不确定性估计。ADM深度学习方法则利用自回归流处理存在潜在混淆的非线性关系，同时确定复杂因果关系并估计功能关系。这些方法显著提高了因果推断的准确性和效率。
干预效应估计与不确定性量化
在高斯过程网络模型中进行贝叶斯估计，可以推断多步骤干预效应。该方法通过模拟干预在整个网络中的传播，并使用高斯过程建模条件分布，能够识别非高斯、非线性观测数据中假设干预的效果，并准确反映因果估计的后验不确定性，为复杂场景下的因果推理提供了可靠工具。
Q&A
贝叶斯网络建模中有哪些重要的假设？
贝叶斯网络建模中的重要假设包括参数独立性、模块化特性和似然等价性假设。
什么是关系性因果发现算法？
关系性因果发现算法（RCD）通过关系性模型和条件独立性提升推理来学习因果关系，证明了其可靠性和有效性。
如何识别非实验数据中的因果效应？
可以通过基于祖先图的算法框架来有效测试和识别非实验数据中的因果效应。
主动学习框架ABCI的主要功能是什么？
主动学习框架ABCI用于因果图推断和因果推理，通过最大信息设计从少量样本中高效学习因果查询。
如何处理潜在混淆的非线性功能关系？
可以使用基于自回归流的ADM深度学习方法来处理潜在混淆的非线性功能关系。
高斯过程网络模型如何推断多步骤干预效应？
高斯过程网络模型通过模拟干预影响并传播到下游变量，使用高斯过程建模条件分布来估计干预分布。
