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
原文中文，约400字，阅读约需1分钟。发表于：。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...
本文介绍了将因果性理论融入深度生成建模的方法，提高深度生成模型的分布偏移鲁棒性、公平性和互操作性。文章分为因果表示学习和可控反事实生成方法两类，探讨了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理论、形式化、缺点、数据集、度量和应用，并讨论了未来研究方向。
