因果性与深度生成模型中的新兴协同：一项综述
机器学习
2025-03-19 v4 人工智能
摘要
在人工智能（AI）领域，理解和建模数据生成过程（DGPs）至关重要。深度生成模型（DGMs）已证明善于捕捉复杂数据分布，但在泛化与可解释性上常显不足。另一方面，因果性提供了一个结构化视角来理解驱动数据生成的机制，并凸显这些过程中固有的因果效应动态。尽管因果性在可解释性与外推能力上表现出色，却难以应对高维空间的复杂性。认识到协同潜力，我们深入探究因果性与 DGMs 的交汇。我们阐明因果原理在 DGMs 中的整合，考察利用 DGMs 进行因果识别，并探索大规模生成模型中因果性这一新兴研究前沿，尤其是生成式大语言模型（LLMs）。我们提供方法学见解，突出开放挑战，并建议未来方向，将本综述定位为该快速新兴且演进领域的重要指南。
引用
@article{arxiv.2301.12351,
title = {Emerging Synergies in Causality and Deep Generative Models: A Survey},
author = {Guanglin Zhou and Shaoan Xie and Guang-Yuan Hao and Shiming Chen and Biwei Huang and Xiwei Xu and Chen Wang and Liming Zhu and Lina Yao and Kun Zhang},
journal= {arXiv preprint arXiv:2301.12351},
year = {2025}
}