DoWhy-GCM: An extension of DoWhy for causal inference in graphical causal models
DoWhy-GCM：用于图因果模型推断的 DoWhy 扩展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：摘要明确以图因果模型开展根因分析、因果归因与结构诊断，属于因果推断。
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…
DoWhy-GCM：用于图因果模型推断的 DoWhy 扩展
- 研究问题
- 如何让因果分析软件支持效应估计之外的查询，包括异常与分布变化的根因、节点影响归因及因果结构诊断？
- 方法与思路
- 作者扩展 DoWhy Python 库，以图因果模型为基础，让用户指定因果图、拟合各节点机制，再提出相应因果查询。
- 材料陈述的贡献
- 摘要称，DoWhy-GCM 提供多种因果查询接口，并通过少量代码组织从因果关系设定到机制拟合和查询的流程。
- 阅读关注点
- 应核对每类查询的目标量、因果图与机制设定要求，以及软件如何检验模型适配性、处理估计误差和报告不确定性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审和期刊接收均未核实；摘要未说明各查询的识别条件或实际准确性。
原文摘要
We present DoWhy-GCM, an extension of the DoWhy Python library, which leverages graphical causal models. Unlike existing causality libraries, which mainly focus on effect estimation, DoWhy-GCM addresses diverse causal queries, such as identifying the root causes of outliers and distributional changes, attributing causal influences to the data generating process of each node, or diagnosis of causal structures. With DoWhy-GCM, users typically specify cause-effect relations via a causal graph, fit causal mechanisms, and pose causal queries -- all with just a few lines of code. The general documentation is available at https://www.pywhy.org/dowhy and the DoWhy-GCM specific code at https://github.com/py-why/dowhy/tree/main/dowhy/gcm.