深度学习因果论文汇总

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。

1. 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。
2. 因果推断：从现有的数据中估计不同处理或干预下的效果
   1. Proactive Pseudo-Intervention: Contrastive Learning For Interpretable Vision Models（2021 cvpr）
3. 结构化因果模型：利用图模型描述变量之间的因果关系
4. 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。
5. 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
6. 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