探索因果深度学习的研究版图
机器学习
2022-12-05 v1
摘要
因果深度学习（CDL）是机器学习这一更大学科中一个新且重要的研究领域。借助CDL，研究者旨在以深度学习模型极具灵活性的表示空间来结构化和编码因果知识。这样做将带来更明智、鲁棒和通用的预测与推断——这很重要！然而，CDL仍处于起步阶段。例如，由于不同方法在输出、编码因果知识的方式乃至如何表示该知识方面差异巨大，目前尚不清楚应如何比较它们。这是一篇对Pearl因果之梯之外的因果深度学习方法进行分类的动态论文。我们细化了Pearl因果之梯的层级，同时增加了一个单独维度来对输入与表示的参数化假设进行分类，从而得到因果深度学习的版图。我们的版图涵盖了监督学习、强化学习、生成建模及更广的机器学习分支。我们的范式是一种帮助研究者：寻找基准、比较方法，且最重要的是：识别研究空白的工具。通过本工作，我们旨在梳理大量已发表的因果深度学习论文。尽管相关论文每日都在发表，我们的版图保持固定。我们将版图开源以供他人按需使用：或可在相关工作中提供指导，或更好地凸显其论文的贡献。
引用
@article{arxiv.2212.00911,
title = {Navigating causal deep learning},
author = {Jeroen Berrevoets and Krzysztof Kacprzyk and Zhaozhi Qian and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2212.00911},
year = {2022}
}