深度学习中的因果理论主要包括为因果发现、因果推断、结构化因果模型(SCM)、因果表示学习、因果迁移学习和反事实推断。
- 因果发现:从数据中自动学习变量之间的因果关系。通过建立因果图模型(如贝叶斯网络或有向无环图),算法能够确定变量之间的因果关系,而不仅仅是相关性。
- 因果推断:从现有的数据中估计不同处理或干预下的效果
- 结构化因果模型:利用图模型描述变量之间的因果关系
- 因果表示:在深度学习模型中构建具有因果解释的表示。通过结合因果图或结构化因果模型,可以学习到具有因果含义的潜在表示,而不仅是统计相关的特征。
- 反事实推断:用于模拟未观察到的情景,从而帮助模型更好地理解因果关系,并且提升决策能力
- 因果迁移:将学习到的因果结构或因果机制迁移到新的数据集或新的环境中