通过深度生成模型学习结构因果模型：方法，保证和挑战

May, 2024

通过深度生成模型学习结构因果模型：方法，保证和挑战

Learning Structural Causal Models through Deep Generative Models: Methods, Guarantees, and Challenges

Audrey Poinsot, Alessandro Leite, Nicolas Chesneau, Michèle Sébag, Marc Schoenauer

TL;DR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。

Abstract

This paper provides a comprehensive review of deep structural causal models (DSCMs), particularly focusing on their ability to answer counterfactual queries using observational data within known causal structures

deep structural causal models counterfactual queries observational data deep learning components limitations

发现论文，激发创造

因果深度生成模型的机遇：调查和未来方向

本综述介绍了结构因果模型和深度生成模型相结合的因果深度生成模型的最新研究进展，详细讨论了其分类、生成类型和引入因果性的方法，探讨了该领域未来的研究方向。

Jan, 2023

从可识别的因果表征到可控的反事实生成：因果生成建模综述

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

可控反事实推断的深度结构因果模型

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

扩散因果模型用于反事实估计

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

分布一致性的结构因果模型

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

学习潜在结构因果模型

本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

Oct, 2022

利用因果推断解释深度学习模型

本文利用因果推断的思想描述了一种普遍的 CNN 模型推理框架，并通过形成结构性因果模型的方式对 CNN 的一个特定方面进行了抽象化，提出了量化评估卷积层滤波器的因果重要性的方法。我们的方法以 LeNet5、VGG19 和 ResNet32 等流行的 CNN 架构为例进行了说明。

Nov, 2018

深层结构因果形状模型

提出了利用深度结构性因果形态模型（CSMs）的计算工具来实现对形态变化的因果推理，通过反事实网格生成产生个体化的预测，从而研究基因、环境和生活方式因素对人体结构的影响。

Aug, 2022

高维因果推断的深层因果生成模型的模块化学习

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

将图神经网络与结构因果模型相关联

本文通过建立结构性因果模型和应用图神经网络模型，提出了一种新的因果推断方法，并证明了该方法可以用于因果效果辨识。

Sep, 2021