本文提出了一种基于因果结构的新算法，旨在学习不变表示，特别在领域泛化方面表现优异。研究探讨了因果模型的可辨识性及其在无监督学习中的应用，开发了针对可交换数据的因果效应估计框架，并提出了新的经验估计方法，以识别潜在因果变量之间的关系。

该文综述多环境因果推断中的不变性方法：利用变量间函数关系的不变性推断算法完整性，提出基线算法与交替算法并显示性能优势；介绍不变随机特征与不变核方法，表明不变性机制可指数降低样本容量与隐藏单元需求；讨论工具变量方法及其应用；分析不变表示的准确性与不变性之间的最优权衡及Pareto边界；并提出结合概率回归与贝叶斯非参数的层级建模范式及变分推理技术。