# Odkrywanie struktury przyczynowej z danych EN: **Causal discovery (causal structure learning)** · id `causaldiscovery` · aliases: causal discovery, causal structure learning, uczenie struktury przyczynowej Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Fundamenty i rozumowanie](https://aiatlasgraph.com/t/foundations.md) › [Modele probabilistyczne](https://aiatlasgraph.com/t/probabilistic.md) › [Wnioskowanie przyczynowe](https://aiatlasgraph.com/t/causalinference.md) › Odkrywanie struktury przyczynowej z danych ## Description - PL: Uczenie grafu przyczynowego (DAG lub klasy równoważności) z danych obserwacyjnych lub interwencyjnych przy założeniach takich jak warunek Markowa i wierność. - EN: Learning a causal graph (a DAG or equivalence class) from observational or interventional data under assumptions such as the causal Markov condition and faithfulness. ## In one sentence - PL: Algorytmy próbują z samych danych odgadnąć, co jest przyczyną czego, i rysują to jako schemat strzałek. - EN: Algorithms try to work out from data alone what causes what and draw it as a diagram of arrows. ## Problem it solves - PL: W złożonych systemach, np. w organizmie lub fabryce, nikt nie zna wszystkich zależności, a eksperyment na każdej z nich jest niemożliwy. - EN: In complex systems such as a body or a factory, nobody knows every dependency, and experimenting on each is impossible. ## What it does - PL: Szuka śladów, jakie przyczyny zostawiają w danych: które rzeczy przestają być powiązane, gdy znasz trzecią, i w którą stronę płynie losowy szum. - EN: It looks for traces causes leave in data: which things stop being related once you know a third, and which way random noise flows. ## Everyday example - PL: Inżynierowie mają pomiary setek czujników linii produkcyjnej i szukają, które ustawienie maszyny pośrednio powoduje wadliwe sztuki. - EN: Engineers have readings from hundreds of production-line sensors and look for the machine setting that indirectly causes defective parts. ## This concerns you if you… - PL: masz dużo zmiennych i nie znasz ich zależności - PL: szukasz źródła awarii w złożonym systemie - PL: chcesz zbudować graf przyczynowy przed pomiarem efektów - EN: have many variables and do not know how they relate - EN: look for the source of failures in a complex system - EN: want a causal graph before measuring effects ## Keywords PC algorithm · FCI · GES · LiNGAM · additive noise models · NOTEARS · causal-learn · Tetrad · Markov equivalence class · faithfulness ## How it works - PL: Metody oparte na ograniczeniach (PC, FCI) usuwają krawędzie na podstawie testów warunkowej niezależności; FCI dopuszcza ukryte zakłócacze. Metody punktowe (GES) przeszukują grafy, optymalizując kryterium typu BIC. Modele funkcyjne (LiNGAM, modele z addytywnym szumem) rozpoznają kierunek z asymetrii szumu, a NOTEARS zapisuje acykliczność jako gładkie ograniczenie optymalizacji ciągłej. - EN: Constraint-based methods (PC, FCI) remove edges using conditional-independence tests; FCI allows hidden confounders. Score-based methods (GES) search graphs optimising a criterion such as BIC. Functional models (LiNGAM, additive noise models) infer direction from noise asymmetry, and NOTEARS expresses acyclicity as a smooth constraint for continuous optimisation. ## Limits - PL: Zwykle odtwarza tylko klasę równoważności Markowa, z częścią krawędzi bez kierunku. Wynik zależy od mocnych założeń (wierność, brak ukrytych zakłócaczy, typ szumu) i jakości testów niezależności. Algorytmy bywają niestabilne i słabo skalują; stabilny wynik nie oznacza poprawnego. - EN: Usually recovers only a Markov equivalence class with some edges undirected. Results rest on strong assumptions (faithfulness, no hidden confounders, noise type) and on independence-test quality. Algorithms can be unstable and scale poorly; stable output is not necessarily correct. ## Key terms - PL: **warunkowa niezależność**: Dwie zmienne przestają być powiązane, gdy znamy trzecią. - PL: **klasa równoważności Markowa**: Grafy o różnych kierunkach strzałek, nieodróżnialne danymi. - PL: **wierność (faithfulness)**: Założenie, że niezależności w danych wynikają wyłącznie z grafu. - EN: **conditional independence**: Two variables stop being related once a third is known. - EN: **Markov equivalence class**: Graphs with different arrow directions that data cannot distinguish. - EN: **faithfulness**: Assumption that independences in data stem only from the graph. ## Know first - [Sieci bayesowskie (Bayesian networks)](https://aiatlasgraph.com/t/bayesnets.md) - [Testy statystyczne i przedziały ufności (Hypothesis tests and confidence intervals)](https://aiatlasgraph.com/t/hypothesistesting.md) ## Sources - [Review of Causal Discovery Methods Based on Graphical Models]() `glymour-causal-discovery-2019` · by Clark Glymour, Kun Zhang, Peter Spirtes - [DAGs with NO TEARS: Continuous Optimization for Structure Learning]() `zheng-notears-2018` · by Xun Zheng, Bryon Aragam, Pradeep Ravikumar, Eric P. Xing --- AI Atlas revision 131 (2026-11-07) · HTML: https://aiatlasgraph.com/t/causaldiscovery · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-07