在因果建模领域，潜在结果和结构因果模型是主要框架。然而，这些框架在实际建模反事实时面临着明显的挑战，形式化表现为潜在结果的联合分布参数。本文通过对潜在结果和结构因果模型在建模反事实中的研究，提出了 “退化反事实问题” 这一内在模型容量限制，并引入了一种新的 “分布一致性” 假设，基于该假设提出了增强建模反事实能力的 “分布一致性结构因果模型”。通过引入可识别的因果参数 “一致性概率”，在个性化激励示例中展示了 DiscoSCM 在实践中的实际意义。此外，还在 DiscoSCM 框架中提供了关于 “因果阶梯” 的全面理论成果，希望为反事实建模的未来研究开辟新的方向，从而增强我们对因果关系及其在现实世界应用领域的理解。

Jan, 2024

利用深度学习组件建立结构因果模型 (SCMs) 的一个通用框架，采用正则化流和变分推断实现外生噪声变量的易处理推断，并验证其在 MNIST 和医学图像数据上的有效性，提出了 SCMs 可以回答所有 Pearl 因果逻辑的逆因果推断问题的思路。

Jun, 2020

该论文提出了一种名为 DISCO 的新框架，可以使用大规模语言模型生成高质量的反事实数据，并借助特定于任务的老师模型过滤生成，以提高模型的稳健性和泛化性能。实验结果表明，使用这种方式进行学习，学生模型的鲁棒性和跨分布能力比基线提高了 6%（绝对）和 5%。

Dec, 2022

本文全面综述了深度结构因果模型 (DSCMs) 的特点以及其在使用观测数据回答反事实查询方面的能力，分析了其关于深度学习组件和结构因果模型的假设、保证和应用，深入理解其在不同反事实查询情境下的能力和限制，同时强调了深度结构因果建模领域面临的挑战和未解之问，为研究者确定未来工作方向和实践者选择最合适的方法提供了概述。

May, 2024

提出 Diff-SCM 来解决如何从观察到的成像数据中估计反事实效果的问题，使用深度结构因果模型和生成式能量模型相结合的方法进行推理，并且在 MNIST 数据和 ImageNet 数据上证明了其优越性。

Feb, 2022

深度生成模型在数据密度估计和有限样本数据生成方面取得了巨大成功。然而，它们存在无法解释性、倾向于引起虚假相关性和在超出分布范围的外推方面表现不佳等一些基本缺点。为了解决这些挑战，可以将因果性理论融入深度生成建模，结构因果模型可以描述数据生成过程并对系统中的变量之间的复杂因果关系和机制进行建模。因此，结构因果模型可以与深度生成模型自然地结合起来，给深度生成模型提供许多有益的属性，如分布偏移鲁棒性、公平性和互操作性。我们提供了一个因果生成建模的技术调研，将其分为因果表示学习和可控反事实生成方法两类。我们关注因果生成模型在公平性、隐私、超出分布泛化和精准医学方面的基本理论、形式化、缺点、数据集、度量和应用。我们还讨论了该领域未解决的问题和未来研究方向。

Oct, 2023

本文提出了一种名为因果图标准化流（causal-Graphical Normalizing Flow，c-GNF）的方法，旨在促进个性化公共政策分析（P3A）的实现，讨论了传统方法在计数事实推断方面的局限性，并展示了 c-GNF 方法在因果推断效果上的优越性。

Feb, 2022

本论文旨在准确明确 Rubin 因果模型（RCM）和结构因果模型（SCM）框架之间的关系，揭示 SCMs 框架中隐含的代数约束规则，指出 SCM 原则在经典应用中的重要作用。

Jun, 2023

本研究提出了一种通用的因果生成建模框架，用于准确估计具有深度结构因果模型的高保真图像反事实情况。

Jun, 2023

本文提出了一种使用因果推理的场景图生成任务去偏置化的方法，其中包含两个阶段的因果建模，第一阶段是因果表示学习，第二阶段是自适应逻辑调整，实验结果表明该方法可以在头尾关系之间实现更好的平衡，达到最先进的性能表现。

Jul, 2023