基于贝叶斯网络的因果关系发现研究综述

基于贝叶斯网络的因果关系发现研究综述贝叶斯网络因果发现的理论基础贝叶斯网络作为概率图模型的核心分支，其本质是用有向无环图（DAG）编码变量间的联合概率分布，节点代表随机变量，有向边代表变量间的直接依赖关系，每个节点附带的条件概率表（CPT）量化了子节点对父节点的依赖强度。因果关系发现的核心目标是从观测数据中还原出变量间的真实因果结构，而非单纯的统计关联，这一过程的理论根基建立在三个关键假设之上：首先是因果马尔可夫假设，即给定一个变量的所有直接原因（父节点），该变量独立于其所有非后代节点，这一假设将复杂的高维联合概率分布分解为多个局部条件概率的乘积，极大降低了建模复杂度；其次是因果忠实性假设，要求数据中观测到的条件独立性关系完全匹配因果图的马尔可夫隐含条件，排除了概率分布中存在的偶然独立或参数抵消导致的伪独立现象；最后是因果充分性假设，即不存在未观测到的共同原因（混杂因子）同时影响两个或多个已观测变量，这一假设在现实场景中往往难以满足，也成为后续方法改进的重要突破口。传统贝叶斯网络结构学习方法主要分为两类：基于打分的方法和基于约束的方法。基于打分的方法将结构学习转化为优化问题，通过定义打分函数（如BIC评分、BDeu评分、MDL评分）衡量候选图结构与观测数据的拟合程度，再结合搜索算法（如爬山法、模拟退火、遗传算法）寻找最优结构。这类方法的优势是能够输出多个候选结构并给出量化的拟合度，缺点是随着变量数量增加，搜索空间呈超指数增长，容易陷入局部最优，且对噪声和样本量敏感。基于约束的方法则先通过独立性检验（如卡方检验、Fisher-Z检验、核条件独立性检验）识别数据中的条件独立关系，再根据这些约束逐步构建因果图，典型代表是PC算法、FCI算法。PC算法从完全无向图出发，通过逐步删除满足独立条件的边，再确定边的方向，在因果充分性假设下能够一致恢复真实的因果结构，计算效率相比早期的SGS算法有显著提升；FCI算法则进一步放松了因果充分性假设，能够检测出未观测的混杂因子的存在，输出包含双向边的部分祖先图（PAG），但算法复杂度较高，且独立性检验的准确性直接决定了结构学习的效果。高维数据场景下的因果发现方法演进随着大数据时代的到来，因果关系发现的应用场景逐渐从低维小样本转向高维甚至超高维数据，传统方法在变量数超过数十个时往往面临计算瓶颈和准确率骤降的问题，这推动了高维贝叶斯网络因果发现方法的快速发展。在稀疏性假设的支撑下，一系列改进方法先后被提出：首先是约束类方法的优化，如PC算法的并行化改造，通过将独立检验任务分配到多个计算节点，使得变量数可扩展到数千级别；针对高维条件下独立性检验功效不足的问题，基于最大最小爬山的MMHC算法将约束方法和打分方法相结合，先用最大最小父子节点（MMPC）算法为每个节点筛选候选父节点集，大幅缩小搜索空间，再用贝叶斯信息准则（BIC）打分进行局部搜索，在变量数达到上百时仍能保持较高的准确率和效率。近五年来，基于梯度的可微因果发现方法成为研究热点，这类方法突破了传统离散搜索的瓶颈，将因果图的邻接矩阵作为连续可优化的参数，通过引入结构约束（如DAG的代数表征，即邻接矩阵的矩阵指数迹为零），将结构学习转化为连续优化问题。2018年提出的NOTEARS算法是该方向的里程碑，其核心创新是将DAG约束转化为可微分的惩罚项，使得整个学习过程可以用梯度下降法求解，在变量数达到数千时的运算速度相比传统PC算法提升了两个数量级。后续的改进工作围绕多个方向展开：NOTEARS-MLP将线性假设拓展到非线性场景，用多层感知器拟合变量间的函数关系，能够处理非线性因果依赖；DAG-GNN引入图神经网络架构，在隐空间中学习因果结构，对噪声和缺失数据的鲁棒性显著提升；针对高维稀疏场景的NOTEARS-L1算法通过加入L1正则化约束邻接矩阵的稀疏性，进一步提升了在变量数过万场景下的准确率。不过这类可微方法也存在明显局限性：当数据中存在未观测混杂因子时，优化过程容易收敛到错误的局部最优解，且输出的邻接矩阵往往需要额外的阈值处理才能得到最终的DAG结构，阈值选择的主观性会影响结果的稳定性。面向复杂数据场景的鲁棒性改进现实场景中的观测数据往往存在多种复杂特性，传统因果发现方法的假设条件难以满足，针对不同复杂数据场景的鲁棒性改进是当前研究的另一个核心方向。在数据存在未观测混杂因子的场景下，基于最大祖先图（MAG）的方法得到了广泛应用，FCI算法的衍生版本如RFCI、FCI+分别通过改进独立检验的顺序和边方向判断规则，提升了算法效率和结果准确性；近年来提出的GES-ME算法则将贪婪等价搜索（GES）拓展到存在混杂因子的场景，能够输出等价类的得分排序，在样本量充足的情况下比FCI类方法具有更高的准确率。此外，基于工具变量的因果发现方法也逐渐和贝叶斯网络结合，当存在满足排他性和相关性假设的工具变量时，即使存在未观测混杂，也能够准确识别出变量间的因果效应方向和强度，这类方法在计量经济学和流行病学领域的应用日益广泛。针对时序数据的因果发现需求，动态贝叶斯网络（DBN）是主流的建模框架，其通过将变量按时间片展开，将同一时间片内的边和跨时间片的边分开处理，能够有效编码变量间的滞后因果关系。传统DBN学习方法需要预先设定最大滞后阶数，且随着滞后阶数增加，变量数量成倍增长，计算复杂度急剧上升。近年来的改进工作主要集中在三个方面：一是基于稀疏正则化的DBN学习，通过加入组LASSO惩罚，自动识别相关的滞后阶数和父节点，无需预先指定最大滞后；二是结合格兰杰因果检验的混合方法，先用格兰杰因果检验初步筛选滞后依赖关系，再用贝叶斯网络打分优化结构，大幅提升运算效率；三是面向非平稳时序的因果发现，通过引入变化点检测和局部平稳假设，能够处理时序数据中的分布漂移问题，在金融时间序列、工业传感器数据流等场景中表现出良好的适用性。针对不完备数据场景，即数据存在缺失值、测量噪声甚至样本选择偏差的情况，传统方法往往需要先进行数据插补再进行结构学习，两步法的误差会累积导致最终结构准确率下降。近年来提出的联合学习方法将缺失值插补和因果结构学习整合到同一个优化框架中，在学习贝叶斯网络结构的同时迭代更新缺失值的估计值，两者相互促进，相比两步法准确率提升了15%以上。针对存在测量误差的场景，概率PCA和贝叶斯网络的混合模型能够同时建模观测变量和真实潜变量之间的测量误差，以及潜变量之间的因果结构，在生物信息学的基因表达数据分析中，这类方法能够有效降低测序噪声对因果结构识别的干扰。因果发现的评估体系与应用落地贝叶斯网络因果发现方法的性能评估体系正在逐步完善，传统的评估指标主要包括结构层面的精确率、召回率、F1值，以及汉明距离（错误边的数量），但这类指标仅能衡量结构整体的匹配程度，无法区分不同类型的错误（如边的缺失、多余边、方向反转）对下游因果推断任务的影响。近年来，面向任务的评估指标逐渐受到重视，例如当因果发现结果用于因果效应估计时，采用效应估计的平均绝对误差作为评估指标，更能反映方法的实际应用价值；当用于异常根因定位时，采用根因识别的准确率作为核心指标，使得评估结果更贴合业务场景。此外，基准数据集的构建也在持续推进，除了传统的模拟数据集（如随机生成DAG并采样的SynTReN数据集），真实场景的标注因果数据集不断涌现，如基于基因敲除实验的基因调控网络数据集、基于工业过程控制的故障因果数据集，为方法比较提供了更可靠的基准。在应用层面，贝叶斯网络因果发现已经在多个领域实现落地。在生物信息学领域，基于单细胞转录组数据的基因调控网络重构是核心应用场景，因果发现方法能够从观测的基因表达数据中识别出基因间的调控关系，相比传统的相关性分析方法，输出的调控网络具有明确的方向性，能够为靶点药物研发提供更精准的线索，已有研究基于贝叶斯网络从癌症患者的转录组数据中识别出了新的致癌基因调控通路，后续的生物学实验验证了其有效性。在工业运维领域，因果发现方法用于复杂生产系统的根因定位，当生产线出现异常时，基于传感器时序数据快速构建变量间的因果网络，通过异常传播路径追溯根因节点，相比传统的专家规则系统，能够应对未知的故障场景，根因定位的平均时间从小时级缩短到分钟级，大幅提升了故障处置效率。在公共卫生领域，基于流行病学监测数据的因果发现能够识别出疾病传播的关键影响因素，在新冠疫情期间，有研究团队基于贝叶斯网络从多源监测数据中识别出了人口流动、气温、疫苗接种率等因素对传播效率的因果效应，为防控政策制定提供了定量支撑。当前研究挑战与未来发展方向尽管贝叶斯网络因果发现在理论和应用层面都取得了显著进展，但仍存在多个亟待突破的研究挑战。首先是可识别性问题，在观测数据场景下，多个不同的因果图可能对应同一个观测分布，即属于同一个马尔可夫等价类，传统方法只能输出等价类的部分有向图，无法完全确定所有边的方向，如何利用弱监督信息（如少量干预数据、领域知识约束）打破等价类，得到完全定向的因果图，是当前的研究热点。其次是大样本效率与小样本鲁棒性的平衡，高维场景下很多方法需要数万以上的样本才能得到稳定的结果，但在医疗、aerospace等领域样本往往难以获取，如何结合领域知识作为先验融入贝叶斯网络的学习过程，实现小样本下的可靠因果发现，具有重要的实际价值。第三是异质性数据的因果发现，当前大多数方法假设样本来自同一个总体，但现实中数据往往存在群体异质性，不同子群体的因果结构可能存在差异，如何从混合异质性数据中同时识别出子群体划分和每个子群体的因果结构，是面向个性化场景需要解决的关键问题。未来的研究方向主要集中在四个方面：一是大语言模型（LLM）与因果发现的结合，利用LLM编码的领域知识为因果结构学习提供软约束，同时用因果发现的结果提升LLM的推理能力和可解释性，两者的协同能够大幅降低因果发现对标注数据的依赖，提升结果的业务符合性；二是多模态数据的因果发现，当前方法主要处理结构化表格数据和时序数据，如何融合文本、图像、音频等多模态信息，识别跨模态的因果关系，是面向复杂场景的重要拓展方向；三是因果发现与因果推断的端到