我们为构建带有深度学习组件的结构性因果模型(SCMs)制定了一个总体框架。所提出的方法采用了流归一化和变分推理，以实现对外生噪声变量的可处理推理——这是反事实推理的关键一步，而这正是现有的深度因果学习方法所缺少的。我们的框架在构建在MNIST上的合成数据集以及真实世界的脑核磁共振扫描医学数据集上得到验证。我们的实验结果表明，我们可以成功地训练深度SCMs，使其具备Pearl因果关系阶梯的所有三个层次:关联、干预和反事实，从而为在成像应用和其他方面回答因果问题提供了一种强大的新方法。

https://github.com/biomedia-mira/deepscm.