不同变量范式下深度学习因果发现的综述与路线图

Sep, 2022

不同变量范式下深度学习因果发现的综述与路线图

A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms

Hang Chen, Keqing Du, Xinyu Yang, Chenguang Li

TL;DR本文介绍了基于深度学习的因果关系发现方法，从变量范式的角度将可能的因果发现任务分为三类，并针对每种任务定义并实例化相关数据集和最终的因果模型，并回顾了各种任务的现有因果发现方法。最后，提出了一些研究路线图以解决现有领域的研究空白，并指出未来的研究方向。

Abstract

Understanding causality helps to structure interventions to achieve specific goals and enables predictions under interventions. With the growing importance of learning causal relationships, causal discovery tasks have transitioned from using traditional methods to infer potential causa

causal discovery deep learning variable paradigms causal search methods research roadmaps

发现论文，激发创造

典型计算机视觉任务中的因果推理

基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中，深度学习的基础、稳定性以及存在的问题，并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。

Jul, 2023

深度因果学习：表示、发现和推断

本文综合评述了深度学习在因果学习中的贡献，解决了传统因果学习方法中的许多问题，并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性，并成为通用人工智能中不可或缺的一部分。

Nov, 2022

因果深度学习

提出了一种新的因果关系框架 —— 因果深度学习，这个框架包括三个维度：结构维度、参数维度和时间维度。该框架可以在利用不完整的因果知识的同时，结合多种因果深度学习方法，解决各种实际问题，从而实现真正的实际影响。同时，这个框架还可以让研究人员系统地对现有工作进行比较，并找出有前途的研究领域。

Mar, 2023

基于视觉模型的强化学习因果关系发现的系统评价

本文研究在机器学习中从观察数据中识别因果关系的问题，探讨如何帮助学习高级变量及其中的因果结构，并介绍了一套基于强化学习的环境用于测试表示学习算法的性能。研究表明，模型中显式地融合结构和模块化有助于因果识别。

Jul, 2021

因果结构学习中的非线性、反馈与一致性

寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

Aug, 2023

样本、估计、聚合：引发因果发现基础模型的一种方法

基于经典算法运行在较小变量子集上的深度学习模型识别因果结构，达到了与现有模型相比具有数量级更快的推理速度，具备针对合成和真实数据集的最先进性能，并能概括到在训练期间未见过的数据生成机制。

Feb, 2024

利用双变量因果发现集成重叠数据

本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

Oct, 2019

针对时态和非时态数据的因果发现方法调查

本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

Mar, 2023

因果发现综述：理论与实践

本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

May, 2023

因果发现技术的比较基准测试

本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。

Aug, 2017