14 个版本 (5 个破坏性更新)
0.7.0 | 2024年1月25日 |
---|---|
0.6.5 | 2024年1月25日 |
0.6.2 | 2023年9月19日 |
0.5.0 | 2023年8月30日 |
0.2.8 | 2023年7月27日 |
#182 in 数据结构
270KB
5.5K SLoC
Web: https://deepcausality.com
DeepCausality 是一个超几何计算因果库,它能够对复杂的多阶段因果模型进行快速和确定的上下文感知因果推理。Deep Causality 仅添加最小的开销,因此适用于无需额外加速硬件的实时应用。
DeepCausality 以沙箱项目形式托管在 LF AI & Data Foundation 上。
🤔 为什么选择 DeepCausality?
- DeepCausality 以 Rust 编写,注重安全性、可靠性和性能。
- DeepCausality 提供递归因果数据结构,可以简洁地表达任意复杂的因果结构。
- DeepCausality 能够在(多个)上下文超图中存储的数据类、时类、空间类、时空类实体之间实现上下文感知。
- DeepCausality 简化了复杂时空模式的建模。
- DeepCausality 附带因果状态机(CSM)
📚 文档
🚀 入门
在您的项目文件夹中,只需在终端运行
cargo add deep_causality
查看 入门示例。
如何运行示例代码
git clone https://github.com/deepcausality-rs/deep_causality.git
cd deep_causality
make example
您还可以使用 cargo 从项目根目录运行示例代码
# make sure you're in the project root folder
cd deep_causality
# CSM (Causal State Machine)
cargo run --release --bin example-csm
# CTX (Context)
cargo run --release --bin example-ctx
# Smoking inference
cargo run --release --bin example-smoking
# Getting started example
cargo run --release --bin starter
📦 子库
⭐ 使用
文档
代码
🛠️ Cargo & Make
Cargo 如预期工作,但除了 cargo 之外,还存在一个 makefile,它抽象了在所有 make 命令正常工作之前可能需要安装的几个附加工具。为此,请运行以下命令
make install
make install 命令测试并尝试安装所有必需的开发者依赖项。如果自动安装失败,脚本将显示进一步安装说明的链接。
所有依赖项安装完成后,以下命令即可使用。
make build Builds the code base incrementally (fast) for dev.
make bench Runs all benchmarks across all crates.
make check Checks the code base for security vulnerabilities.
make example Runs the example code.
make fix Fixes linting issues as reported by clippy
make format Formats call code according to cargo fmt style
make install Tests and installs all make script dependencies
make start Starts the dev day with updating rust, pulling from git remote, and build the project
make test Runs all tests across all crates.
每个make命令调用的脚本位于脚本文件夹。
👩👩👧👦 社区
👨💻👩💻 贡献
欢迎贡献,尤其是与文档、示例代码和修复相关的内容。如果您不确定从哪里开始,请开启一个issue并询问。对于更重要的代码贡献,请在提交PR之前在本地运行make test和make check。
除非您明确说明,否则您提交给deep_causality的任何有意贡献都应按MIT许可证许可,不附加其他条款或条件。
详细信息
🙏 致谢
该项目从该领域的一些研究人员及其项目中获得灵感
- UCLA的Judea Pearl
- Perimeter Institute的Lucien Hardy
- OpenAI的Kenneth O. Stanley
- 约翰霍普金斯大学的Ilya Shpitser
- 哈佛大学的Miguel Hernan,Causal Lab
- 哥伦比亚大学的Elias Bareinboim
- 微软研究院的因果关系与机器学习
- uber的Causal ML
实现的部分灵感来自
最后,特别是关于超图结构的灵感,来自阅读Quanta杂志。
📜 许可证
本项目采用MIT许可证。
👮️ 安全性
有关安全性的详细信息,请阅读安全策略。
🎁 赞助商
JetBrains,顶级软件开发工具提供商,已根据其开源社区支持计划授予DeepCausality项目免费的全产品许可证。项目团队对JetBrains慷慨的贡献表示感谢。感谢您对开源软件开发的支持!
💻 作者
- Marvin Hansen.
- Github GPG密钥ID:369D5A0B210D39BC
- GPG指纹:4B18 F7B2 04B9 7A72 967E 663E 369D 5A0B 210D 39BC
依赖项
~3.5MB
~58K SLoC