
# 基于因果图的合规合成数据生成

## 引言

当真实数据稀缺、敏感或受到严格监管时，合成数据已成为训练 AI 模型的基石。传统的生成技术（GAN、扩散模型、基于大语言模型的模拟器）在模仿统计分布方面表现出色，却常常忽视监管机构日益要求保留的 **因果关系**。

欧盟的 **[AI 法案](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)**、美国用于医疗器械的 **FDA**，以及针对消费者隐私的 **[CCPA](https://oag.ca.gov/privacy/ccpa)**，都在推动数据流水线的 **可解释性** 与 **可追溯性**。仅仅再现边缘统计的合成数据可能通过表面审计，却在监管机构询问“能否证明合成记录遵循源人群的因果机制？”时失利。

这就引出了 **基于因果图的合成数据生成**（CG‑SDG）。通过显式建模原始数据的因果结构，我们可以生成满足以下要求的合成记录：

* 保留法律相关的依赖关系（例如，年龄 → 健康结果，信用评分 → 贷款批准）。
* 提供透明的审计链路，将每个合成特征追溯到因果节点。
* 支持 **反事实分析**，用于公平性与偏差缓解。
* 随着法规演进，支持 **动态合规**。

本文将带你了解 CG‑SDG 的理论、实践实现以及合规收益，重点阐述组织如何将其嵌入现有数据流水线和治理框架。

---

## 为什么因果图对合规至关重要

| 监管关注点 | 传统合成数据 | 因果图方法 |
|------------|--------------|------------|
| **可解释性** | 黑箱生成，难以说明 | 每个合成特征来源于显式的因果方程 |
| **公平性审计** | 事后偏差检测，修复手段有限 | 通过反事实查询揭示受保护属性的影响 |
| **数据血缘** | 元数据有限，血缘追踪不足 | 图节点充当血缘锚点，实现不可变审计链 |
| **动态政策更新** | 规则变更需重新训练整个模型 | 仅更新受影响的因果边，保留其余流水线 |

通过将合成数据生成与编码领域知识的 **有向无环图（DAG）** 对齐，组织获得了 **数据科学与合规团队的单一真实来源**。

---

## 从源数据构建因果图

### 1. 领域知识捕获

邀请主题专家（SME）列举变量并假设因果链接。以医疗场景为例，常见节点包括：

* 人口统计（年龄、性别、种族）
* 生活方式（吸烟、运动）
* 临床测量（血压、胆固醇）
* 结果（疾病诊断、住院）

### 2. 数据驱动结构学习

将专家输入与 **PC、GES** 或 **NOTEARS** 等算法结合，发现额外的边。得到的图需 **对照医学文献** 验证，以避免虚假关联。

### 3. 参数化

为每条边分配函数形式或条件概率表（CPT）。连续变量可使用线性或非线性回归模型；离散变量常用多项式逻辑回归。

### 4. 验证

执行 **d‑分离测试** 与 **干预模拟**，确保图能够复现观测到的条件独立性并遵守已知干预（例如药物效果）。

---

## 将因果图与合成数据生成器集成

集成模式可视化为以下流水线：

```mermaid
flowchart TD
    A["原始源数据"] --> B["因果发现 (PC/NOTEARS)"]
    B --> C["已验证的 DAG"]
    C --> D["参数估计"]
    D --> E["因果采样器 (Do‑Calculus)"]
    E --> F["合成数据引擎 (GAN / 扩散)"]
    F --> G["合规层 (审计日志、反事实检查)"]
    G --> H["用于模型训练的合成数据集"]
```

1. **因果采样器**：使用 **do‑calculus** 生成遵循 DAG 的样本，可借助 **DoWhy、causalml** 或自定义 PyTorch 模块实现。  
2. **合成数据引擎**：将因果样本作为条件输入喂入 GAN 或扩散模型，兼顾高保真度与因果结构。  
3. **合规层**：自动记录每条生成记录的因果路径，附加元数据（如 DAG 版本、参数值），并执行反事实公平性检查。

---

## 确保监管合规

### 3.1 不可变审计链路

将 DAG、其版本以及每批合成数据使用的随机种子存入 **区块链支持的账本** 或 **追加式日志**，满足 **可追溯性** 与 **防篡改** 的要求。

### 3.2 反事实公平性报告

针对每个受保护属性（如性别、种族），生成一个 **反事实数据集**：在保持所有其他因果祖先不变的前提下翻转该属性。比较模型预测，以证明合成数据未嵌入非法偏见。

### 3.3 动态政策执行

当监管机构发布新规（例如“年龄不得作为信用风险的代理”）时，通过 **删除或屏蔽** 违规边来更新 DAG。随后重新运行采样器，无需重新训练下游 GAN，大幅缩短合规响应时间。

### 3.4 文档模板

利用 **Formize** 风格的模板自动填充合规档案：

* **数据流图**（由 DAG 生成）  
* **因果影响说明**（每条边的自然语言描述）  
* **版本化变更日志**（类似 Git 的 DAG 差异）

---

## 真实案例研究：欧盟信用评分

**背景** – 一家欧洲金融科技公司需要合成数据来训练下一代信用评分模型，同时遵守 **[EU AI 法案](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)** 与 **[GDPR](https://gdpr.eu/)**。

**做法**  

1. **因果建模** – 构建了一个 DAG，将 *年龄、收入、就业状态、信用历史、贷款结果* 关联起来。专家确认 *年龄 → 收入* 与 *就业状态 → 收入* 为合法因果路径。  
2. **监管调整** – AI 法案禁止直接使用 *年龄* 进行评分。团队 **阻断** 了 *年龄 → 贷款结果* 边，保留 *年龄 → 收入* 以保持数据真实性，但防止下游模型利用该信息。  
3. **合成生成** – 使用 **Do‑Calculus 采样器** 生成 100 万条因果样本，再喂入以 *收入* 与 *信用历史* 为条件的 **Conditional GAN**。  
4. **合规验证** – 运行反事实公平性检查，生成不可变审计日志，并制作 Formize 合规包。

**结果** – 合成数据与原始数据在统计上相似度达到 **98%**，通过外部监管审计，且新评分模型的上市时间缩短 **45%**。

---

## 步骤化实施指南

| 步骤 | 操作 | 工具与技巧 |
|------|------|------------|
| 1 | **收集领域知识** – 访谈 SME，整理政策文档 | Confluence、Miro 用于可视化头脑风暴 |
| 2 | **运行结构学习** – 在代表性样本上使用 PC 或 NOTEARS | `causal-learn` Python 库，Spark 处理大规模数据 |
| 3 | **验证并细化 DAG** – 与文献对比，执行 d‑分离测试 | DoWhy、Tetrad |
| 4 | **为边参数化** – 拟合回归或概率模型 | scikit‑learn、PyTorch Probabilistic |
| 5 | **实现因果采样器** – 生成 do‑干预样本 | DoWhy 的 `do` 操作，自定义 PyTorch 采样器 |
| 6 | **与生成模型集成** – 将因果样本作为条件输入 GAN/扩散模型 | StyleGAN2‑ADA、Stable Diffusion、Hugging Face Diffusers |
| 7 | **添加合规层** – 记录 DAG 版本、随机种子、执行反事实检查 | OpenTelemetry、Formize API |
| 8 | **部署与监控** – 当源数据漂移时定期重新训练 | Airflow、Prefect、MLflow |
| 9 | **审计与报告** – 自动生成合规档案 | Formize 模板、PDF 生成库 |

---

## 效益概览

* **监管对齐** – 直接满足可解释性与公平性要求。  
* **降低重新训练成本** – 只需更新受影响的边，而非重建整个生成模型。  
* **提升信任** – 利益相关方可追溯每条合成记录的因果路径。  
* **增强模型鲁棒性** – 具备反事实意识的合成数据提升下游模型对分布漂移的抵抗力。

---

## 挑战与对策

| 挑战 | 对策 |
|------|------|
| **复杂 DAG** – 高维领域可能产生密集图结构。 | 采用 **图剪枝**（基于统计显著性阈值），将整体拆分为子图。 |
| **参数不确定性** – 数据不足以精准估计 CPT。 | 引入 **贝叶斯先验** 与 **Monte Carlo** 采样，捕获不确定性。 |
| **可扩展性** – 因果采样相较纯 GAN 生成速度较慢。 | 在 Spark 执行器上并行采样，缓存中间节点值。 |
| **监管解释差异** – 对因果保留的要求可能模糊。 | 设立 **监管联络人** 角色，使用通俗语言记录每条边的理由。 |

---

## 未来方向

1. **联邦因果图学习** – 在不共享原始数据的前提下跨边缘设备发现因果边，实现 **边缘合成数据**，天然符合隐私设计。  
2. **LLM 辅助因果发现** – 利用大语言模型提示潜在因果链接，再通过统计方法验证。  
3. **零知识证明审计链** – 使用 zk‑SNARKs 证明合成记录遵循 DAG，而无需泄露底层参数。  
4. **自愈流水线** – 检测因果关系漂移（如疫情导致的行为变化），自动重新学习受影响的边。

---

## 结论

基于因果图的合成数据生成弥合了 **高质量 AI 训练数据** 与 **严格监管合规** 之间的鸿沟。通过将因果‑因果结构显式化，组织获得了透明、可审计且可适应的流水线，既满足新兴 AI 治理标准，又保留了现代机器学习模型所需的统计丰富性。

实施 CG‑SDG 需要数据科学、合规以及领域专家的协同合作，但其回报——更快的上市时间、降低法律风险以及增强的利益相关方信任——使其成为任何以 AI 为核心的企业的战略必选项。

---

## 参考资料

- [DoWhy – Python 因果推理库](https://github.com/microsoft/dowhy) – 开源的因果推理与 do‑calculus 实现。  
- [EU AI 法案 – 官方文档](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence) – 规范欧洲 AI 合规的监管框架。  
- [Synthetic Data Generation with GANs – Survey (2023)](https://arxiv.org/abs/2305.12345) – 生成技术的综合综述。  
- [Formize 合规自动化平台](https://www.formize.com) – 低代码的审计文档与工作流自动化解决方案。