图片

近年来，深度生成模型由于其准确复制固有经验分布并产生新样本的能力而受到欢迎。特别地，提出了一些进展，其中模型根据指定的属性生成数据示例。然而，仍然存在一些挑战有待克服，即难以外推样本数据和对解缠表示的学习不足。另一方面，结构性因果模型(SCM)封装了支配生成过程的因果因素，并根据因果关系描述了一个生成模型，为解决深度生成模型中当前的障碍提供了关键的见解。本文对因果型深度生成模型(CGMs)进行了全面的综述，将SCM和深度生成模型相结合，以提高几个值得信任的属性，如鲁棒性、公平性和可解释性。本文概述了CGM的最新进展，根据生成类型对其进行分类，并讨论了如何将因果关系引入深度生成模型家族。本文还探索了该领域未来研究的潜在途径。

论文链接：https://arxiv.org/abs/2301.12351

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