因果关系制造业发现：结构化文献综述

Vuković, M.; Thalmann, S. Causal Discovery in Manufacturing: A Structured Literature Review. J. Manuf. Mater. Process. 2022, 6, 10. https://doi.org/10.3390/jmmp6010010

因果发现侧重于学习因果结构；

因果推理假定一个完整或部分已知的因果结构，并涉及因果效应的识别和估计；

统计推断涉及从数据到生成分布或生成分布性质的推断

第一：因果发现

通常，在因果发现文献，这个定义包含一个更强的假设，需要这个因果图是无环的

两种评估方法：

1.所学因果图与基本事实之间的距离

弗罗贝尼乌斯范数Frobenius norm [39]和结构汉明距离（SHD）

关注于图形的变化

2.所学因果关系的准确性

是否存在因果关系

准确度度量：精确度、召回率和假阳性率；用ROC曲线表示

因果发现方法：4种

基于约束的方法、基于分数的方法、混合模型和基于功能因果模型

以及在时间序列数据再+Granger因果和条件独立性方法+基于结构方程模型+基于深度学习

应用场景：在过程监控领域尤为突出，其中干扰或过程故障的发生可以通过过程和反馈流传播到其他装置。此时参与组件的数量很大，并且关系具有非线性和动态性质。

现有方法缺点：在这些场景中，基于关联（相关性）的传统ML方法不足以检测方向性并开发影响总体控制性能的传播路径。