潜在结果框架——the potential outcome framework(也称为内曼-鲁宾潜在结果或鲁宾因果模型(the Rubin Causal Model))
结构因果模型(the structural causal model,SCM)
来自 University at Buffalo、University of Georgia、Alibaba的学者在 AAAI 2020 中发表了一篇关于 RCM 因果推理方法的的文章《A Survey on Causal Inference》,是第一篇对 RCM 和机器学习问题的综述。
而关于 SCM 的介绍可参见 Judea Pearl 的综述《Causal inference in statistics: An overview》。
因果的表示学习(Causal Representation Learning)是从数据中学习变量,即,经过大数据学习,基于因果表示学习的机器学习算法或能够超越传统的符号人工智能(symbolic AI)。在没有人工划分的先验知识下,从数据中学到信息。直接定义与因果模型相关的对象或变量,相当于直接提取真实世界的更详细的粗粒度模型。
提取模块化结构(Learning modular structures)
因果表示学习的一个方向是提取模块化的结构,即世界的不同组件在一系列环境、任务和设置中存在,那么对于一个模型来说,使用相应的模块就是利用了有效的因果表示。例如,如果自然光的变化(太阳、云层等的位置)意味着视觉环境可以在几个数量级的亮度条件下出现,那么人类的神经系统中的视觉处理算法应该采用能够将这些变化因素化的方法,而