深度学习之因果发现（二）Causal Generative Neural Networks（CGNN）

CGNN（因果生成神经网络）基于的是功能性因果模型（Functional Causal Model, FCM），而不是传统的结构性因果模型（Structural Causal Model, SCM）。在论文中，CGNN采用生成神经网络来学习多变量因果机制，允许在没有显式函数限制的情况下表示复杂的因果关系。

功能性因果模型（FCM）与SCM的区别

1. SCM（结构性因果模型）：
   • SCM通常使用明确的结构方程来描述因果关系。每个变量由其父节点通过一个确定性或随机函数生成，且噪声项往往是加性且独立的。
   • 在SCM中，模型通常假设因果机制是固定的（例如线性模型或加性噪声模型），这限制了模型的灵活性。
2. FCM（功能性因果模型）：
   • FCM是一类更加灵活的因果模型，可以表示非线性和非加性因果关系。CGNN使用神经网络来学习因果关系，从而不需要对函数形式做出严格的假设。
   • FCM可以表示复杂的条件分布，而不是局限于特定的噪声结构（例如加性噪声）。CGNN采用的FCM利用生成神经网络来捕捉数据中的非对称性和非线性特征，这使得它在因果推断中更具适应性。

为什么选择FCM而不是SCM？

CGNN使用FCM主要是为了克服SCM的限制，提供更高的灵活性和表示能力：

• 非加性因果贡献：SC