在机器学习从“关联驱动”向“因果驱动”升级的过程中，因果发现与因果推断是两大核心任务。二者相辅相成却定位迥异：因果发现聚焦“挖掘变量间的因果结构”，回答“谁导致了谁”；因果推断聚焦“基于已知因果结构量化效应”，回答“导致了多大影响”。本文从核心区别、方法体系、实践落地三方面展开解析，厘清二者的边界与协同关系。
一、核心区别：从“找关系”到“算影响”
两类任务在目标、问题本质、依赖前提等维度存在显著差异，具体对比如下：
二者在核心目标上存在本质差异：因果发现聚焦从数据中挖掘潜在因果结构，通过构建DAG有向无环图等，明确变量间的因果方向与依赖关系；而因果推断则需基于已知因果结构（或预设假设），量化干预对结果的影响，核心是回答干预及反事实问题。从核心问题来看，因果发现主要解决“X与Y是否存在因果关系？谁是因、谁是果？”“变量间的因果链是怎样的？”这类结构层面的疑问，因果推断则侧重回应“若干预X，Y会变化多少？”“若当初未做X，结果会如何？”等量化层面的反事实推理问题。依赖前提方面，因果发现无需预设因果结构，仅依靠观测数据（或少量干预数据），但需满足因果马尔可夫、忠实性等假设；因果推断则必须以预设因果结构（或因果发现的输出结果）为基础，同时需有效控制混杂因子，满足可识别性假设（如ignorability假设）。方法核心上，因果发现通过统计检验、评分优化或功能建模等方式，区分因果关系与虚假相关；因果推断则以剥离混杂因子干扰为关键，核心是估计个体/平均因果效应（ITE/ATE）。对应珀尔的因果之梯，因果发现是实现从关联层迈向干预层的基础，负责搭建核心因果结构；因果推断则聚焦于从干预层升级至反事实层，借助已有的因果结构完成推理任务。
二、方法体系：两类任务的核心技术路径
（一）因果发现：从数据中“解锁”因果结构
核心挑战是区分“因果相关”与“虚假相关”（如由混杂因子导致的关联），主流方法分为三类：
1.基于约束的方法：通过统计独立性检验推断因果结构，核心是将“条件独立”转化为“因果图中的分离关系”。代表算法如PC算法，通过逐步删除变量间的边、定向因果方向，构建符合数据独立性的DAG。适用于低维数据，但在高维场景下计算复杂度较高。
2.基于评分的方法：定义评分函数（如BIC、AIC）衡量因果图与数据的拟合度，通过优化算法搜索最优因果图。代表模型如CausalVAE，结合变分自编码器与L1正则化，自动学习稀疏因果图，适配高维数据场景。
3.基于功能因果模型的方法：假设变量间存在非线性函数关系，通过因果机制的不对称性推断方向。例如利用“因果方向上的函数不可逆性”，区分X→Y与Y→X，适用于非线性、非高斯数据。
前沿进展聚焦高维与动态场景，如北大DeepSeek提出的NSA稀疏注意力机制，结合因果图先验筛选关键变量，在10万维基因数据上使因果效应估计误差降低42%，大幅提升高维数据处理效率。
（二）因果推断：基于因果结构“量化”效应
核心挑战是控制混杂因子干扰，准确估计干预效果，主流方法分为传统统计方法与机器学习驱动方法：
1.传统统计方法：适用于低维数据，需满足严格假设。如倾向得分匹配（PSM）通过平衡干预组与对照组的混杂因子分布，估计平均因果效应（ATE）；工具变量法（IV）用于处理存在未观测混杂因子的场景，通过“工具变量→干预→结果”的链式关系剥离偏差。
2.机器学习驱动方法：适配高维、非线性数据，提升效应估计的准确性。代表模型如因果森林（Causal Forest），通过随机森林分割数据，在各子集中估计异质性因果效应；CEVAE则利用隐变量建模未观测混杂因子，进一步降低估计偏差。
核心数学框架包括潜在结果框架（RCM）与结构因果模型（SCM）：前者通过定义“潜在结果”（干预/未干预状态下的结果）量化效应，后者通过因果图与do-演算，将干预概率P(Y|do(X))与观测数据关联，实现无干预数据下的效应估计。
三、实践落地：两类任务的协同与场景应用
因果发现与因果推断并非孤立存在，实践中常形成“发现→推断→验证”的闭环：因果发现输出的因果图为推断提供结构前提，推断结果反向验证发现的因果结构合理性。以下为两大核心领域的应用案例：
（一）医疗领域：从“关联诊断”到“精准干预”
•因果发现：挖掘基因、临床指标与疾病的因果关系。例如通过动态因果图学习（TCGM），结合RNN与格兰杰因果检验，捕捉“基因表达→病理指标→疾病进展”的动态因果链，为精准医疗提供靶点。
•因果推断：量化治疗方案的真实效果。在肺癌治疗中，传统ML模型易将“病情严重患者更易接受化疗”的混杂关联误判为因果，通过PSM或工具变量法剥离混杂偏差后，北大DeepSeek合作项目将治疗响应预测准确率从68%提升至89%；在药物研发中，结合真实世界数据（RWD）与合成控制法（SCM），可将阿尔茨海默病临床试验周期缩短至2年，成本降低70%。
（二）金融领域：从“风险预测”到“决策优化”
•因果发现：动态捕捉市场变量的因果关系。例如在反欺诈检测中，通过时变因果图实时更新“交易行为→风险特征→欺诈事件”的因果链，适配欺诈模式的动态演变。
•因果推断：优化信用评估与风险管理。某银行通过反事实公平性分析，评估“若用户属于不同群体，信用评分是否一致”，在保持违约率稳定的前提下，将少数族裔贷款通过率提升15%；在跨境支付反欺诈中，结合因果推断与强化学习，新型欺诈识别率从72%提升至91%。
四、联系与挑战：因果机器学习的未来方向
（一）二者协同关系
因果发现是因果推断的“前提”——无可靠因果结构，推断易受混杂干扰；因果推断是因果发现的“落地载体”——只有量化效应，才能将因果结构转化为决策价值。例如临床决策支持系统中，因果发现模块从电子病历中挖掘变量关系，推断模块量化治疗效应，最终输出可解释的治疗推荐。
（二）核心挑战与前沿方向
1.高维与动态因果结构：如何在百万维数据（如多组学数据）中高效发现因果链，如何适配因果关系随时间演变的场景（如金融市场、生物信号）。
2.未观测混杂因子：实际场景中难以穷尽所有混杂因子，需通过隐变量建模（如CEVAE）、反事实生成（如CausalGAN）等方法降低偏差。
3.跨领域迁移：如何将源领域学到的因果结构迁移至数据稀缺的目标领域（如基层医院医疗数据），反事实迁移学习（CausalTL）是核心方向。
五、总结
因果发现与因果推断是因果机器学习的两大支柱：前者解决“因果关系是什么”的结构问题，后者解决“因果影响有多大”的量化问题。传统机器学习聚焦“关联预测”，而因果任务通过挖掘因果机制，实现了从“可预测”到“可解释、可干预”的跨越。在医疗、金融等复杂场景中，二者的协同落地正在突破传统模型的局限性，为决策提供更稳健、可靠的支持，成为强人工智能的核心驱动力。
