因果推断高级专题索引

1. 专题概览

本专题涵盖因果推断领域的高级研究内容，包括因果发现算法、因果公平性和因果可解释性三大方向。

因果推断高级专题结构：

因果推断高级专题
├── 因果发现算法
│   ├── 因果发现算法现代综述
│   ├── 可扩展神经因果发现方法
│   ├── 时序因果发现方法
│   └── 因果发现基准与评估
│
├── 因果公平性
│   ├── 因果公平性理论基础
│   └── LLM中的因果公平性
│
├── 因果可解释性
│   ├── 因果可解释性基础理论
│   └── LLM因果可解释性
│
└── 核心公式速查

---

2. 因果发现算法模块

2.1 文档列表

文档	描述	难度
因果发现算法现代综述	约束方法、分数方法、可微分学习	⭐⭐⭐
可扩展神经因果发现方法	CauScale、NOTEARS变体、大规模DAG学习	⭐⭐⭐⭐
时序因果发现方法	PCMCI、CausalFormer、STIC	⭐⭐⭐⭐
因果发现基准与评估	评估指标、基准数据集、评估协议	⭐⭐⭐

2.2 核心公式

NOTEARS DAG约束：
$h(B)=\text{tr}(e^{B\circ B})-n=0$

Granger因果性：
$X\stackrel{Granger}{\to }Y⟺P(Y_{t+1}|{\mathcal{F}}_t)<P(Y_{t+1}|{\mathcal{F}}_t\setminus X_t)$

PCMCI MCI检验：
$MCI(X_i^{t-\tau },X_j^t|{\mathbf{Z}}^t)=\text{Cov}(X_i^{t-\tau },X_j^t|{\mathbf{Z}}^t)$

2.3 学习路径

学习路径：因果发现算法

Level 1: 基础
├── 因果发现算法现代综述
│   └── 理解PC算法、GES、LiNGAM基础
│
Level 2: 进阶
├── 可扩展神经因果发现方法
│   └── 掌握NOTEARS及其变体
└── 因果发现基准与评估
    └── 理解评估指标和基准

Level 3: 前沿
└── 时序因果发现方法
    └── 掌握PCMCI、深度学习方法

---

3. 因果公平性模块

3.1 文档列表

文档	描述	难度
因果公平性理论基础	反事实公平性、路径特定公平性、PC-Fairness	⭐⭐⭐
LLM中的因果公平性	LLM偏见检测、去偏方法、测试时公平性	⭐⭐⭐⭐

3.2 核心公式

反事实公平性：
${\hat{Y}}_{A\leftarrow a}(u)={\hat{Y}}_{A\leftarrow a^{\prime }}(u)\forall a,a^{\prime }$

总差异分解：
$\Delta =\underset{\text{路径 }S\to Y}{\underbrace{\text{Direct Effect}}}+\underset{\text{路径 }S\to E\to Y}{\underbrace{\text{Indirect Effect}}}+\underset{\text{混杂因素}}{\underbrace{\text{Confounding}}}$

3.3 学习路径

学习路径：因果公平性

Level 1: 基础
└── 因果公平性理论基础
    ├── 理解反事实公平性定义
    ├── 掌握路径特定公平性
    └── 理解PC-Fairness框架

Level 2: 应用
└── LLM中的因果公平性
    ├── 掌握偏见因果测试方法
    ├── 理解因果去偏技术
    └── 实践公平性评估

---

4. 因果可解释性模块

4.1 文档列表

文档	描述	难度
因果可解释性基础理论	反事实解释、因果归因、因果抽象	⭐⭐⭐⭐
LLM因果可解释性	SAE、特征电路、TransformerLens	⭐⭐⭐⭐⭐

4.2 核心概念

概念	描述	相关文档
反事实解释	最小变化的输入扰动导致输出变化	因果可解释性基础
因果归因	将输出变化归因于因果效应	因果可解释性基础
因果抽象	高层因果模型与低层实现的对应	因果可解释性基础
SAE	稀疏自编码器分解叠加特征	LLM因果可解释性
电路分析	识别实现特定行为的电路	LLM因果可解释性

4.3 学习路径

学习路径：因果可解释性

Level 1: 基础
└── 因果可解释性基础理论
    ├── 掌握反事实解释方法
    ├── 理解因果归因框架
    └── 学习因果抽象理论

Level 2: 实践
└── LLM因果可解释性
    ├── 掌握SAE分析
    ├── 学习电路分析方法
    └── 实践TransformerLens使用

Level 3: 前沿
    └── 追踪最新研究（特征电路、因果中介分析）

---

5. 主题关联图

                    因果推断基础
                         │
         ┌───────────────┼───────────────┐
         │               │               │
    因果发现          因果公平性       因果可解释性
         │               │               │
         ↓               ↓               ↓
   ┌─────────┐     ┌─────────┐     ┌─────────┐
   │约束方法 │     │反事实   │     │反事实   │
   │分数方法 │     │公平性   │     │解释     │
   │神经网络 │     │路径特定 │     │因果归因 │
   └────┬────┘     └────┬────┘     └────┬────┘
        │               │               │
        └───────────────┼───────────────┘
                        │
                   高级应用
                        │
         ┌───────────────┼───────────────┐
         │               │               │
    时序因果          LLM公平性       LLM可解释性
    发现              检测            分析

---

6. 核心公式速查表

6.1 因果发现

概念	公式	描述
DAG约束	$h(B)=\text{tr}(e^{B\circ B})-n=0$	NOTEARS约束
Granger因果	$P(Y_t	X_{t-k}, Y_{<t}) < P(Y_t
SHD	$SHD =	E_{\hat{\mathcal{G}}} \Delta E_{\mathcal{G}}

6.2 因果公平性

概念	公式	描述
反事实公平	${\hat{Y}}_{A\leftarrow a}={\hat{Y}}_{A\leftarrow a^{\prime }}$	个体公平
直接效应	$DE = E[Y_{A=1} - Y_{A=0}	X]$
间接效应	$IE = E[Y_{A=1} - Y_{A=0}	X’] - DE$

6.3 因果可解释性

概念	公式	描述
SAE重构	$\hat{x}=D(f(E(x)))$	自编码器
归因	$A_i=\frac{\partial f(x)}{\partial x_i}$	梯度归因
干预效应	$Y_{do(X=x^{\prime })}-Y_{do(X=x)}$	因果效应

---

7. 相关基础主题

建议先学习以下基础内容：

基础主题	相关文档
概率图模型	probabilistic-graphical-models-comprehensive
因果推断基础	causal-counterfactual-reasoning
机器学习基础	machine-learning-fundamentals
深度学习理论	deep-learning-theory-frontiers-2025-2026

---

8. 参考资源

8.1 经典教材

1. Pearl, J. (2009). Causality: Models, Reasoning, and Inference
2. Spirtes, P., et al. (2000). Causation, Prediction, and Search
3. Peters, J., et al. (2017). Elements of Causal Inference

8.2 开源工具

工具	用途	链接
CausalNex	因果结构学习	causalnex.readthedocs.io
DoWhy	因果推断	dowhy.readthedocs.io
gCastle	因果发现	castle-ml.readthedocs.io
TransformerLens	LLM可解释性	transformer-lens.readthedocs.io
SAELens	SAE分析	sae-lens.readthedocs.io

8.3 最新论文

• CauScale (2026) - arXiv:2602.08629
• NOTIME (2025) - AISTATS 2025
• Sparse Feature Circuits (2025) - ICLR 2025
• CausalRivers (2025) - ICLR 2025
• Gemma Scope (2024) - Google DeepMind

---

9. 更新日志

日期	更新内容
2026-05-19	创建索引文档，添加因果发现、公平性、可解释性三大模块

---

本索引文档最后更新于 2026-05-19