A Survey of Methods, Challenges and Perspectives in Causality
因果研究的方法、挑战与前景综述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：摘要以因果理论和方法为核心，讨论其与深度学习及应用的结合。
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…
因果研究的方法、挑战与前景综述
- 研究问题
- 深度学习依赖相关模式且面临分布外泛化困难时，因果理论可以提供哪些思路，两类研究结合又有哪些挑战与应用？
- 方法与思路
- 作者从不同视角梳理因果理论与方法，重点讨论其与深度学习的关系，并介绍早期结合尝试、未来方向和应用。
- 材料陈述的贡献
- 摘要所述贡献是对因果研究与深度学习交叉领域的综述和问题整理，并提供多类应用，而未宣称提出新的估计定理。
- 阅读关注点
- 应核对综述中因果识别、因果发现与分布外泛化的区分，以及各类方法依赖的假设、证据和应用评价标准。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明文献覆盖标准，也不能证明结合因果方法必然改善泛化。
原文摘要
Deep Learning models have shown success in a large variety of tasks by extracting correlation patterns from high-dimensional data but still struggle when generalizing out of their initial distribution. As causal engines aim to learn mechanisms independent from a data distribution, combining Deep Learning with Causality can have a great impact on the two fields. In this paper, we further motivate this assumption. We perform an extensive overview of the theories and methods for Causality from different perspectives, with an emphasis on Deep Learning and the challenges met by the two domains. We show early attempts to bring the fields together and the possible perspectives for the future. We finish by providing a large variety of applications for techniques from Causality.