论文链接：https://arxiv.org/pdf/2206.15475.pdf

因果机器学习 (CausalML) 是机器学习方法的总称，将数据生成过程形式化为结构因果模型 (SCM)。 这可以让人们推断这一过程的变化（即干预）的影响以及事后会发生的事情（即反事实）。 我们根据他们解决的问题将 CausalML 中的工作分为五组：（1）因果监督学习，（2）因果生成建模，（3）因果解释，（4）因果公平性（5）因果强化学习。 对于每个类别，我们系统地比较其方法并指出未解决的问题。 此外，我们回顾了计算机视觉、自然语言处理和图形表示学习中特定于模态的应用。 最后，我们概述了因果基准，并对这一新兴领域的状态进行了批判性讨论，包括对未来工作的建议。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除