分享者：沈哲言 清华大学计算机系在读博士生

分享大纲：

1. Causal Inference and Its Implication for Learning

2. Learning Stability and Robustness

3. Theory and Algorithms for Stable Learning

4. Applications and Benchmarks

在常见的机器学习问题中，我们会使用一个基于训练数据集估计的模型来预测未来的结果值。当测试数据和训练数据来自同一分布时，许多学习算法都被证明是有效的。然而，在给定的训练数据分布上性能最好的模型通常会吸收和拟合一些特征之间微妙的统计关系——虚假关联，当模型被应用于分布不同于训练数据的测试数据时，这些利用虚假关联的模型可能更容易出现预测错误。如何开发出对数据变化具有稳定性和鲁棒性的学习模型对于学术研究以及那些对于风险比较敏感的实际应用都是至关重要的。

在这次分享中，我们会把因果分析的思想引入到传统的机器学习设定当中，探讨如何利用好这一经典的统计分析工具来解决更为复杂的机器学习实际问题；同时，我们也会拓宽传统机器学习的评价标准，引入稳定学习这一概念来刻画一个模型的综合性能，并结合因果的技术提出一些有效的算法。

Part2:

Causality and Its Connection to Robust Machine Learning (论文解读)

分享者：刘家硕 清华大学计算机系在读博士生

本次分享主要包含对于因果稳定预测和分布鲁棒优化两个方面经典论文的分享和解读，并通过一定的形式化建立起因果发现和鲁棒机器学习之间的桥梁，提供一个更加统一的视角来看待因果和机器学习。