【MPG & MILA 】因果表示学习，Towards Causal Representation Learning

机器学习和因果图模型这两个领域是各自单独产生、发展壮大的。然而，现在两个领域有交汇之处，越来越多的人想知道对于如何借鉴对方的领域来使自己的领域受益。在这篇论文中，我们回顾了因果推断的一些重要概念，将它们与机器学习中关键的开放问题关联起来，包括迁移和泛化，继而分析因果对于现在的机器学习研究能起到怎样的帮助作用。反之亦然：我们注意到，因果领域的工作通常事先假定因果变量是已知的。而对于人工智能和因果，一个重要的问题就是，因果表征的学习，也就是从低阶的观测数据中发现高阶的因果变量。最后，我们描绘了因果对于机器学习的一些启示，并且提出了在两个领域交汇处的一些重要的研究方向。

https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9363924&tag=1