与深度学习一样，这门学科的一些关键概念如果缺乏清晰理解，就很容易迷失。
Causal structure的学习问题：从一组样本中发现Causal structure，面临两重天：首先，要根据样本获得分布，然后，根据分布发现causal link。 In both, we need some assumption without which it is impossible。
这里，首先是根据样本去学习一个分布，以前谈过，这是一个ill posed problem。另外，即使得到了这个分布，要单单从分布中获得因果关系，没有一般性方法，所以这又是一个ill posed problem。这是其一。其二，注意，是没有一般性方法，但有特殊方法。如果对SCM中的f做约束，或者对噪声做约束，则有方法完全根据分布获得因果结构。这一点一定要理解。这里面一个重要的概念是概率的条件独立性，这里没必要深入谈。完全从静态的observational distribution获得因果结构，叫做causal identification。一旦谈到causal identification，一定是对这个observational distribution做了假定和约束。假定，约束，先验，都是一个意思。手头只有样本，第一步用假定，约束，先验来学习变量联合分布，第二部，同样要有假定，约束，先验来从这个分布中学习因果结构。
以上概念极端重要。
另外的方法就是intervention。这时已经不再单单依赖观察数据，而是一种主动的行动。由于干预，分布发生变化，通过干预来获得因果结构，就是在分布的动态变化中获得因果结构。这个方向是因果推理的重头戏。
