Causal Discovery

定义 Definition

因果发现：在数据与背景假设（如“无隐藏混杂”或“因果马尔可夫性”等）支持下，利用统计与算法方法识别变量之间可能的因果关系结构（常以因果图/有向无环图 DAG 表示），而不仅是相关性。该术语也可广义指用于“发现因果结构”的一类方法与研究领域。

发音 Pronunciation (IPA)

/ˈkɔːzəl dɪˈskʌvəri/

例句 Examples

Causal discovery helps us tell correlation from causation.
因果发现帮助我们区分“相关”与“因果”。

Using causal discovery, the researchers inferred a likely causal graph linking air pollution, exercise, and asthma symptoms while controlling for confounders.
研究人员使用因果发现，在控制混杂因素后推断出空气污染、运动与哮喘症状之间可能的因果图结构。

词源 Etymology

causal 源自拉丁语 causa（原因、缘由），表示“因果的、原因相关的”；discovery 来自 discover（发现），词根含义与“揭开、显露”有关。合在一起，causal discovery 字面即“发现因果（关系/结构）”，在现代统计学、机器学习与科学推断语境中固定为专门术语。

相关词 Related Words

• Causality
• Causal Inference
• Confounding
• Correlation
• DAG
• Bayesian Network
• Structural Equation Model
• Intervention
• Counterfactual

文献与著作 Literary / Notable Works

• Judea Pearl — Causality: Models, Reasoning, and Inference（系统讨论因果模型与相关的因果结构学习思想）
• Peter Spirtes, Clark Glymour, Richard Scheines — Causation, Prediction, and Search（经典著作，涵盖多种因果发现/结构学习算法）
• Jonas Peters, Dominik Janzing, Bernhard Schölkopf — Elements of Causal Inference: Foundations and Learning Algorithms（包含因果发现与因果推断的学习方法）
• N. Friedman, D. Koller 等关于 Bayesian networks / structure learning 的研究论文与综述（因果发现常用图模型框架的重要来源）