Causal-learn: Causal Discovery in Python
Causal-learn：Python 因果发现库AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确介绍从观察数据发现因果关系的 Python 方法库，因此对应因果推断方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
Causal-learn：Python 因果发现库
- 研究问题
- 如何在 Python 中为研究者和实践者提供较全面的因果发现方法，同时兼顾非专业使用者、学习者和开发者的不同需求？
- 方法与思路
- 作者介绍开源库 causal-learn，通过易用接口、模块化构件和文档组织因果发现方法；摘要侧重软件设计与使用定位。
- 材料陈述的贡献
- 摘要称该库以 Python 实现因果发现方法集合，并提供面向使用、学习和开发的配套接口与文档，贡献主要是软件资源的整合。
- 阅读关注点
- 应核对实际包含的算法、各算法的因果识别假设、输入输出和文档示例，以及软件版本、测试范围与不同方法的适用条件。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出算法清单或性能比较，所列软件地址也不足以验证当前维护状态。
原文摘要
Causal discovery aims at revealing causal relations from observational data, which is a fundamental task in science and engineering. We describe $\textit{causal-learn}$, an open-source Python library for causal discovery. This library focuses on bringing a comprehensive collection of causal discovery methods to both practitioners and researchers. It provides easy-to-use APIs for non-specialists, modular building blocks for developers, detailed documentation for learners, and comprehensive methods for all. Different from previous packages in R or Java, $\textit{causal-learn}$ is fully developed in Python, which could be more in tune with the recent preference shift in programming languages within related communities. The library is available at https://github.com/py-why/causal-learn.