本文探讨了因果表征学习，特别是非线性潜在变量的因果模型识别问题。研究提出了一种新方法，通过多个视图学习潜在因果关系，增强了在部分可观察性下的可识别性。此外，介绍了在未知干预下重建潜在因果图的方法，并提供了计算因果效应界限的算法。这些理论和方法为因果推断提供了新的视角和工具。

该文综述因果表征学习，旨在从低级观测数据中恢复高级潜在变量及其因果关系，涵盖非参数因果模型、高斯潜在分布、弱约束观测混合、不变因果表征等方法，利用干预、多环境数据与加性噪声模型实现可识别性，并在合成与真实数据集上优于基线。