从可识别因果表示到可控反事实生成：因果生成建模综述

深度生成模型在数据密度估计和从有限样本生成数据方面已展现出极强能力。尽管这些模型通过学习数据中特征间的相关性表现出令人印象深刻的性能，其一些根本性缺陷在于缺乏可解释性、易引发伪相关以及分布外外推能力弱。为应对这些挑战，近期工作提出了向因果生成模型的转变。因果模型为深度生成模型提供了若干有益属性，如分布偏移鲁棒性、公平性和可解释性。结构因果模型（SCMs）描述数据生成过程，并对系统中变量间的复杂因果关系和机制建模。因此，SCMs 可自然地与深度生成模型结合。我们提供了一篇关于因果生成建模的技术综述，将其分为因果表示学习和可控反事实生成方法。我们关注基础理论、方法、缺陷、数据集和指标。随后，我们涵盖因果生成模型在公平性、隐私、分布外泛化、精准医疗和生物科学中的应用。最后，我们讨论了该领域未来工作的开放性问题与有价值的研究方向。