do-演算：d-分离准则

可视化演示

展示DAG中链式、叉因子、对撞三种结构的路径阻断规则，通过条件化节点的开闭演示d-分离判定核心机制。

核心概念：条件独立与 d 分离

回到交通信息中心。你盯着一张城市路网图，想知道“A 城区堵车”和“C 城区堵车”之间到底有没有关联。如果两个城区之间根本没有任何道路相连，当然互不影响；但如果有一条路穿过中转路口 Z，而从摄像头里你又恰好能看到 Z 的实时车流，那么 A 和 C 的联动就被 Z “解释”掉了——知道了 Z，A 的信息就不再对预测 C 有帮助。交通局把这个叫做“信息被阻断”，因果推断里把它称为条件独立。

在因果图中，节点是变量，箭头表示因果方向，这样的图被称为有向无环图（DAG）。路径则是一条不考虑方向的连续连线。d-分离准则回答的问题正是：给定一组已观测变量 Z 之后，X 和 Y 之间是否还存在一条能让“信息流”通过的路径。如果所有路径都被阻断，我们就说 X 和 Y 在给定 Z 下 d-分离，写成 \(X \perp\!\!\!\perp Y \mid Z\)。

所以 d-分离不是“绝对无关”，而是“给定 Z 后的无关”。这一点就像交通中心的经验：只要中间检查站的数据在手，两个远端城区就不再互相提供新情报。

---

三种结构：链式、分叉、对撞

路网虽然复杂，但任意一条局部通路都可以归结为三种基本“路口形态”。第一种是链式：车流从 X 出发，经过 Z，再到达 Y，像是单行道一路到底。第二种是分叉：Z 是一个中心枢纽，向两侧分别通向 X 和 Y，像是城市主干道分流到两个卫星城。第三种是对撞：X 和 Y 两条单行道同时汇入 Z，Z 像一个事故多发路口，平时两方向的车流到达 Z 后各自停下，互不相通。

这三种结构决定了“何时阻断”的直觉。链式和分叉中，Z 是中间节点；一旦 Z 被观测，X 与 Y 之间的通路就被切断。对撞结构则恰好相反：当 Z 未被观测时，通路天然阻断；一旦我们盯住 Z 看，反而会激活一条虚假通路。

判断对撞节点的口诀是：在一条路径上，如果某个节点同时有两条箭头指向它，它就是对撞节点。它不是“检查站”，而是“交汇事故点”——越盯着它看，越容易把本不相干的两件事联系到一起。

---

阻断与激活：路径的开关条件

现在交通中心要出台一份“检查站设置手册”：给定一个条件变量集合 Z，哪些操作会阻断一条路径？规则可以浓缩成一句生活经验——中间节点设卡必断，对撞节点不设卡必断，反过来就会激活。

更严谨地说，对于路径上任意连续三个节点 A、B、C，我们需要判断 B 是否是“信息关卡”。如果 B 不是对撞节点，那么只要 B 被条件化（进入 Z），这段路就封死。如果 B 是对撞节点，那么只要 B 没有被条件化，并且 B 的所有后代也都没有被条件化，这段路同样封死。反过来，若对撞节点 B 或其某个后代被观测到，路径就会被打通，产生虚假关联。

这套规则最反直觉的地方在于“后代节点”的作用。比如对撞节点 Z 是“考试成绩”，它的后代 W 是“是否获奖”。只要我们在模型中控制了 W，哪怕没有直接控制 Z，也等于间接掌握了 Z 的信息，对撞路径会被激活。交通中心把这个现象称为“隔代摄像头效应”。

---

判定算法：三步判定 d 分离

有了规则就要有流程。交通中心判定“X 和 Y 之间是否还存在信息通路”时，会派出三组分析员：第一组负责把所有可能路线都列出来；第二组在地图上标记所有对撞路口；第三组拿着条件变量清单 Z，逐条路线检查是否被阻断。

算法的核心是：只要存在一条未被阻断的路径，X 和 Y 就不 d 分离；只有当所有路径都被阻断时，d 分离才成立。这也体现了 d 分离名字中的“分离”——把所有路都封死，两者才算真正隔离。

这个算法看起来繁琐，却很机械，适合写成程序。实际工程中，你只需要在因果图上运行一次这样的路径检查，就能决定哪些变量应该进入调整集，哪些变量碰都不能碰。

---

do演算角色：从观察到干预

交通信息中心不能只“看数据”，偶尔还得“做实验”：比如强制把 A 城区的部分道路改成单行，观察 C 城区的拥堵变化。这种强制操作在因果推断里写作 \(do(X=x)\)，意思是“干预 X，让它取值为 x”，而不是被动地观察 X。观察和干预的区别，就像“看到下雨”和“人工降雨”的区别——前者是自然的，后者是你主动改变的。

d-分离准则在 do-演算中的核心作用是识别后门路径。所谓后门路径，是指从 X 出发，先经过一条指向 X 的边，再通到 Y 的路径。这条路径不是 X 到 Y 的因果主路，而是混杂因素打开的后门。为了估计 \(P(Y \mid do(X=x))\)，我们需要找到一个调整集 Z，用 d-分离判断它是否阻断了所有后门路径，然后用后门公式计算：

除了后门准则，还有前门准则：当 X 与 Y 之间存在中间变量 Z，且后门路径无法完全阻断时，可以通过 Z 做两步估计。前门路径形如 \(X \rightarrow Z \rightarrow Y\)，Z 是因果链条上的中间站：

d-分离准则在这里扮演“质检员”：后门准则要靠它确认路径阻断是否彻底，前门准则要靠它确认中间变量是否真正隔离了其他混杂通道。没有 d-分离，do-演算就像没有路况信息的交通管制，只能凭直觉封路。

---

实践应用：变量选择与可解释AI

交通中心把 d-分离准则写进了日常工作手册，因为它能直接回答一个最现实的问题：建模时该控制哪些变量？ 统计学习常用“多控制几个变量更稳妥”的思路，但在因果推断中，控制错误的变量反而会打开对撞路径，制造虚假相关。d-分离给出了精确的筛选条件：

在实际 AI 工程中，这套准则至少有三个落地点：第一，特征工程阶段用它挑选调整变量，避免把对撞节点或中介变量一股脑塞进模型；第二，模型验证阶段用它检查结构方程是否符合领域知识；第三，可解释 AI 阶段用它为归因结果把关，保证“特征 A 导致预测 B”的解读不是来自虚假相关。这就像交通中心最终把检查站布置图变成了一套标准作业流程——d-分离，就是这条路网的“红绿灯逻辑”。

---

AI 应用场景

Python 演示

def is_d_separated(edges, X, Y, cond):    """判断 X 和 Y 在满足条件集 cond 时是否 d 分离.    edges 是 (parent, child) 列表, 构成有向无环图.    """    edge_set = set(edges)    undirected = {}    for a, b in edges:        undirected.setdefault(a, []).append(b)        undirected.setdefault(b, []).append(a)     def descendants(node):        seen = set()        stack = [node]        while stack:            m = stack.pop()            for child in undirected.get(m, []):                if (m, child) in edge_set and child not in seen:                    seen.add(child)                    stack.append(child)        return seen     def find_paths(cur, target, visited, path):        if cur == target:            yield path            return        for nxt in undirected.get(cur, []):            if nxt not in visited:                yield from find_paths(nxt, target, visited | {nxt}, path + [nxt])     def blocked(path):        cond_set = set(cond)        for i in range(len(path) - 2):            a, b, c = path[i], path[i + 1], path[i + 2]            is_collider = (a, b) in edge_set and (c, b) in edge_set            if is_collider:                if b not in cond_set and not (descendants(b) & cond_set):                    return True            else:                if b in cond_set:                    return True        return False     if X == Y:        return False    paths = list(find_paths(X, Y, {X}, [X]))    return all(blocked(p) for p in paths) if paths else True  if __name__ == "__main__":    chain = [("X", "Z"), ("Z", "Y")]    fork = [("Z", "X"), ("Z", "Y")]    collider = [("X", "Z"), ("Y", "Z")]    collider_desc = [("X", "Z"), ("Y", "Z"), ("Z", "W")]     print(is_d_separated(chain, "X", "Y", {"Z"}))     # True    print(is_d_separated(chain, "X", "Y", set()))      # False    print(is_d_separated(fork, "X", "Y", {"Z"}))       # True    print(is_d_separated(collider, "X", "Y", set()))   # True    print(is_d_separated(collider, "X", "Y", {"Z"}))   # False    print(is_d_separated(collider_desc, "X", "Y", {"W"}))  # False

1. undirected.setdefault(a, []).append(b)把有向边变成无向邻接表，因为路径查找需要双向遍历。
2. yield from find_paths(...)递归生成 X 到 Y 的所有简单路径，等价于列出所有可行路线。
3. is_collider = (a, b) in edge_set and (c, b) in edge_set判断三连节点中 B 是否同时被两条箭头指向，这是对撞识别的核心。
4. if b not in cond_set and not (descendants(b) & cond_set): return True对撞节点未被观测且后代也未被观测时，路径阻断成立。
5. return all(blocked(p) for p in paths)所有路径都被阻断才返回 True，正是“全阻断才 d 分离”的算法体现。

常见误区

面试题