分布一致性的结构因果模型
内容提要
本文综述结构因果模型与深度生成模型结合的因果生成建模研究，涵盖反事实退化、因果表示学习、可控反事实生成及SCM抽象映射等方向，并探讨其在公平性、隐私、分布外泛化和精准医学中的应用与未来挑战。
延伸解读
因果生成建模的动机与优势
文章指出，深度生成模型虽在密度估计和样本生成上成功，但存在不可解释、易产生虚假相关和分布外泛化差等缺点。将结构因果模型融入深度生成建模，可描述数据生成过程并建模变量间复杂因果关系，从而赋予模型分布偏移鲁棒性、公平性和互操作性等有益属性。
技术路线分类与关键进展
综述将因果生成建模分为因果表示学习和可控反事实生成两类。文中列举了多项进展：利用正则化流和变分推断实现外生噪声变量推断；提出Diff-SCM结合深度结构因果模型与生成式能量模型估计反事实效果；以及基于贝叶斯推理学习高级因果变量等。
应用领域与评估维度
文章关注因果生成模型在公平性、隐私、分布外泛化和精准医学方面的应用，并涉及基本理论、形式化、缺点、数据集和度量。这表明评估此类模型时，需综合考虑其因果机制建模能力以及在特定应用场景中的实际表现。
开放问题与未来方向
文章讨论了该领域未解决的问题和未来研究方向，并提及SCM抽象映射的形式特性，强调可在结构、分布等不同层次建立SCM间关系。这提示读者，因果生成建模仍面临理论挑战，抽象层次的定制化定义是值得关注的方向。
Q&A
结构因果模型和深度生成模型为什么要结合？
深度生成模型在密度估计和样本生成上很成功，但存在不可解释、易产生虚假相关和分布外泛化差等缺点。结构因果模型能描述数据生成过程并建模变量间的因果关系，因此结合后可以给深度生成模型带来分布偏移鲁棒性、公平性和互操作性等有益属性。
因果生成建模主要分为哪几类方法？
因果生成建模的技术调研将其分为两类：因果表示学习和可控反事实生成方法。
DiscoSCM框架解决了什么问题？
DiscoSCM框架解决了因果建模中的反事实退化问题，它结合了潜在结果和结构因果模型的优势，并在单位选择问题上表现出色。
如何利用深度学习组件建立结构因果模型？
一个通用框架采用正则化流和变分推断来实现外生噪声变量的易处理推断，并在MNIST和医学图像数据上验证了有效性，还提出了SCMs可以回答所有Pearl因果逻辑的逆因果推断问题的思路。
Diff-SCM方法有什么作用？
Diff-SCM用于从观察到的成像数据中估计反事实效果，它结合深度结构因果模型和生成式能量模型进行推理，并在MNIST和ImageNet数据上证明了优越性。
结构因果模型在不同抽象级别间建立关系有哪些研究？
有综述针对SCMs在不同级别抽象间建立关系的问题，着重于SCMs之间映射的形式特性，并强调可在结构、分布等不同层次实施。这有助于区分因果抽象提案，并为特定应用定制抽象定义。
因果生成模型有哪些应用领域？
因果生成模型的应用领域包括公平性、隐私、超出分布泛化和精准医学。
Rubin因果模型和结构因果模型之间有什么关系？
有论文旨在准确明确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，并指出SCM原则在经典应用中的重要作用。
