利用迭代方法的变分技术，基于生成模型，研发半监督学习的新算法，解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合，灵活、高效、可拓展，为半监督学习提供了有力支持。

Jun, 2014

本文针对协变量偏移问题提出了一种半生成模型，该模型能够利用未标注的数据进行自适应学习和半监督学习，并且通过学习原因和影响同时作用的形式，解决了因果推理问题和领域转移问题，实验表明该方法在分类任务中具有显著优势。

Jul, 2018

通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数据集上训练的两个大型条件生成模型进行了评估。

Feb, 2024

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022

本文研究了因果模型下的函数估计问题，进一步探讨因果知识对半监督学习、知识迁移和协变量转移等问题的影响，并通过实证结果支持了半监督学习的假设。

Jun, 2012

本文讨论因果语言如何对医学影像机器学习中的主要挑战（数据稀缺性和数据不匹配）进行分析，为数据收集，注释程序和学习策略的决策提供更透明的解释。研究发现，在医学影像数据中，考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。

Dec, 2019

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

本文介绍了 Cluster-aware Generative Model 这一基于深度生成模型的半监督学习方法，利用未标记的数据点探索数据自然聚类模式，同时引入部分带标记的数据对模型进行优化，有效提高了模型性能。该模型也能够在完全无监督的情况下实现优异的对数似然性能。

Apr, 2017

提出了名为 Modular-DCM 的算法，利用预训练模型可以可靠地对高维数据进行因果查询，并从可识别的干预和反事实分布中采样。

Jan, 2024

本文提出了一种对抗训练程序，用于学习给定因果图的因果隐式生成模型，探讨了生成模型、条件生成对抗网络及其应用，并证明实验结果能生成真实的观察和干预分布。

Sep, 2017