这篇论文的标题是《A survey of deep causal models and their industrial applications》，由Zongyu Li, Xiaobo Guo, 和 Siwei Qiang撰写。
摘要： 文章探讨了因果关系在人类认知中的重要地位，并概述了在计算机科学、医学、经济学和工业应用等领域，因果效应估计的进展。随着深度学习的发展，利用深度学习模型估计因果效应的方法得到了显著发展。这些模型将协变量的特征映射到表示空间，并设计各种目标函数以无偏的方式估计反事实数据。本文的焦点是基于神经网络的深度因果模型的综述，并从发展时间线和方法分类的角度提供了深度因果模型的全面概述，概述了因果效应估计在工业中的典型应用，并提供了相关数据集、源代码和实验的详细分类和分析。
研究背景： 因果推断是近年来的热门研究课题，不同的研究采用多种方法来解决不同的问题。Judea Pearl在《The Book of Why》中提出了因果关系的三个层次：关联、干预和反事实。目前，因果推断的主要方法依赖于因果发现、结构因果模型(SCM)和Rubin因果模型(ROM)。然而，现实世界中的随机对照试验(RCT)数据稀缺，存在一些严重的缺陷，而观察数据更容易获得，更广泛地应用于实际应用。
主要贡献：
提供了深度因果模型的全面概述，从发展时间线和方法分类的角度。概述了因果效应估计在工业中的典型应用。提供了相关数据集、源代码和实验的详细分类和分析。研究方法： 文章通过分析和总结现有的深度因果模型，从不同的视角对模型进行分类和讨论，包括学习平衡表示、协变量混杂学习、基于GAN的反事实模拟、时间序列因果估计和多治疗及连续剂量治疗模型。此外，文章还提供了实验指南，包括数据集、源代码和实验结果的详细描述。
实验结果： 实验部分展示了在二元治疗、多治疗和连续治疗场景下的实验设置和结果。实验结果表明，随着深度模型的发展和演变，它在解决因果效应估计的核心问题和挑战方面具有显著的影响，无论是在治疗干预的决策制定、剂量曲线的拟合还是捕获时变混杂方面。
结论： 深度因果模型在因果效应估计方面提供了新的视角，可以探索更广泛的研究方向。
一句话总结： 这篇综述文章全面概述了深度因果模型及其在工业应用中的进展，强调了这些模型在解决因果效应估计中的挑战方面的潜力。
论文链接https://link.springer.com/article/10.1007/s10462-024-10886-0
