A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
不同变量范式下深度学习因果发现的综述与路线图AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕因果结构发现、干预及因果模型组织方法，因果推断最直接相关，但没有提供具体经济学应用依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
不同变量范式下深度学习因果发现的综述与路线图
- 研究问题
- 如何按变量范式组织深度学习因果发现任务，明确不同任务的数据与因果模型，并梳理现有方法和后续研究缺口？
- 方法与思路
- 作者将因果发现划分为三类任务，分别定义任务、示例数据集及最终因果模型，随后综述对应方法并提出多角度研究路线图。
- 材料陈述的贡献
- 摘要所述贡献是提供按变量范式组织的综述框架，补充既有综述对深度学习方法的整理，并提出研究缺口与未来方向。
- 阅读关注点
- 核对三类变量范式的定义、文献纳入范围及方法比较标准，区分结构恢复、干预预测与因果识别各自需要的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出三类范式的具体内容，也未提供可核查的统一性能比较结果。
原文摘要
Understanding causality helps to structure interventions to achieve specific goals and enables predictions under interventions. With the growing importance of learning causal relationships, causal discovery tasks have transitioned from using traditional methods to infer potential causal structures from observational data to the field of pattern recognition involved in deep learning. The rapid accumulation of massive data promotes the emergence of causal search methods with brilliant scalability. Existing summaries of causal discovery methods mainly focus on traditional methods based on constraints, scores and FCMs, there is a lack of perfect sorting and elaboration for deep learning-based methods, also lacking some considers and exploration of causal discovery methods from the perspective of variable paradigms. Therefore, we divide the possible causal discovery tasks into three types according to the variable paradigm and give the definitions of the three tasks respectively, define and instantiate the relevant datasets for each task and the final causal model constructed at the same time, then reviews the main existing causal discovery methods for different tasks. Finally, we propose some roadmaps from different perspectives for the current research gaps in the field of causal discovery and point out future research directions.