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。