From Identifiable Causal Representations to Controllable Counterfactual Generation: A Survey on Causal Generative Modeling

要約

深層生成モデルは、データ密度の推定と有限サンプルからのデータ生成において驚異的な能力を示しています。
これらのモデルは、データ内の特徴間の相関関係を学習することで優れたパフォーマンスを示していますが、説明可能性の欠如、偽の相関を誘発する傾向、分布外外挿が不十分であることが根本的な欠点として挙げられます。
このような課題を解決するために、最近の研究では因果生成モデルへの移行が提案されています。
因果モデルは、分布シフトの堅牢性、公平性、解釈可能性など、深い生成モデルにいくつかの有益な特性を提供します。
構造因果モデル (SCM) は、データ生成プロセスを記述し、システム内の変数間の複雑な因果関係とメカニズムをモデル化します。
したがって、SCM は自然に深い生成モデルと組み合わせることができます。
因果表現学習と制御可能な反事実生成手法に分類される因果生成モデリングに関する技術調査を提供します。
私たちは、基礎理論、方法論、欠点、データセット、および指標に焦点を当てます。
次に、公平性、プライバシー、配布外一般化、精密医療、生物学における因果生成モデルの応用について説明します。
最後に、この分野での将来の研究に向けた未解決の問題と実りある研究の方向性について議論します。

要約(オリジナル)

Deep generative models have shown tremendous capability in data density estimation and data generation from finite samples. While these models have shown impressive performance by learning correlations among features in the data, some fundamental shortcomings are their lack of explainability, tendency to induce spurious correlations, and poor out-of-distribution extrapolation. To remedy such challenges, recent work has proposed a shift toward causal generative models. Causal models offer several beneficial properties to deep generative models, such as distribution shift robustness, fairness, and interpretability. Structural causal models (SCMs) describe data-generating processes and model complex causal relationships and mechanisms among variables in a system. Thus, SCMs can naturally be combined with deep generative models. We provide a technical survey on causal generative modeling categorized into causal representation learning and controllable counterfactual generation methods. We focus on fundamental theory, methodology, drawbacks, datasets, and metrics. Then, we cover applications of causal generative models in fairness, privacy, out-of-distribution generalization, precision medicine, and biological sciences. Lastly, we discuss open problems and fruitful research directions for future work in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google