因果学习工具：Causal Explorer和Causal Learner

在因果学习领域，识别因果结构（Causal structure）和马尔可夫毯（Markov blanket）是两个非常重要的研究点。其中，因果结构分为全局和局部两种，马尔可夫毯能有效应用于特征选择研究领域。按照定义，全局因果结构的有向无环图（directed acyclic graph，DAG）覆盖所有可能的变量（图1（a）），局部因果结构的DAG只关注目标变量T相关的变量（图1（b）），马尔可夫毯在局部因果结构基础上，还考虑了目标变量T的子节点的其他父节点（有点类似亲戚节点）（图1（c））。

图1 因果结构和马尔可夫毯示意图

在因果结构和马尔可夫毯识别方面，最早的工具是Matlab语言编写的Causal Explorer（2002年就发布了第一版），最新版本1.5在2019年发布，开源链接为https://github.com/mensxmachina/CausalExplorer_1.5。2020年，发布了另一个Matlab语言编写的工具：Causal Learner，开源链接为https://github.com/z-dragonl/Causal-Learner#readme。相比Causal Explorer，Causal Learner增加了数据模块和评估模块（图2），并且因果结构和马尔可夫毯识别的算法规模有所增加（图3）。

图2 Causal Learner工具架构

图3 Causal Learner与Causal Explorer在因果结构和马尔可夫毯识别算法方面的比较

在因果学习的实际应用过程中，可以交替使用Causal Learner和Causal Explorer来识别观察数据内蕴含的因果结构和马尔可夫毯。尤其是应用于高维观测数据时候，所需计算量将会很大，需要高性能和高配置计算设备支撑。值得注意的是，因果结构和马尔可夫毯识别只是构建DAG。对于连续型观察数据，如果要想知道变量之间的因果效应（Causal effect），还需要在因果结构和马尔可夫毯基础上，进一步使用do算子等计算出DAG内变量之间的因果效应。因果效应计算的实现工具包可参考R工具包pcalg（https://cran.r-project.org/package=pcalg）。

参考文献

[1] Statnikov A, Tsamardinos I, Brown LE, Aliferis CF. Causal explorer: A matlab library of algorithms for causal discovery and variable selection for classification. Challenges in machine learning. 2010 Jan;2:267-78.

[2] Ling Z, Yu K, Zhang Y, Liu L, Li J. Causal learner: A toolbox for causal structure and markov blanket learning. Pattern Recognition Letters. 2022.

以往推荐如下：

1. 细胞特异性因果调控网络识别

2. 因果推理综述推荐一篇

3. miRNA活性识别之因果推理方法

4. miRNA协作之因果推理方法

5. 你想了解因果推理吗？