基于不同因果结构与表示的深度因果模型综述与路线图

因果模型与深度学习的融合引入了日益复杂的数据集，如图像内部或文本组件之间的因果关联，已成为一个焦点研究领域。然而，将原始因果概念与理论拓展至此类复杂非统计数据时面临严峻挑战。为此，本研究从因果结构与表示的角度，提出将因果数据重新定义为三类：确定数据、半确定数据与不确定数据。确定数据主要指传统因果场景中使用的统计数据，半确定数据指与深度学习相关的一系列数据格式，包括时间序列、图像、文本等。不确定数据是由我们所推断的数据形式演进中涌现的研究领域。为全面呈现这三种数据范式，我们详述其形式化定义、在数据集上表现出的差异、解决途径及研究进展。我们总结了众多研究中关于确定数据与半确定数据的关键任务与成果，从不确定的当前研究困境出发给出其路线图。最后，我们对当前这三种范式中使用的关键数据集进行分类与审视。