本論文では、因果モデルにおける介入ロバスト最適化問題について検討し、$G$-因果ワッサースタイン距離の下で連続であることが示されましたが、通常のワッサースタイン距離下では不連続となる可能性があることが明らかにされました。このことから、データ拡張のタスクにおいて因果構造を尊重する生成モデルを使用する重要性が強調されます。著者たちは、因果構造モデルに対する汎用近似特性を満たし、$G$-因果ワッサースタイン距離を最小化するよう効率的に訓練できる新しい正規化フローアーキテクチャを提案しています。実証的に、提案モデルは因果回帰および因果ファクターモデルにおける平均-分散ポートフォリオ最適化のためのデータ拡張において、標準の非因果生成モデルを上回る性能を示しました。