今早9点，“因果科学与Causal AI”读书会将进行第八期的线上论文分享，主题是“因果机器学习”，将由亚利桑那州立大学博士郭若城来进行分享，本次内容将在集智俱乐部B站直播。

主讲人介绍：

郭若城，亚利桑那州立大学博士，研究方向为因果推理、机器学习、数据挖掘。

让我们考虑两种动物，会学人说话的鹦鹉和乌鸦喝水中的乌鸦。我们知道鹦鹉只会模仿人类的语音，却不知道语言的意义。而乌鸦可以认识到放入石子就可以使水面上升这一层因果关系。我们可以把鹦鹉看作是能做curve fitting的机器学习模型而把乌鸦看作是体现变量之间因果关系的因果模型。比起问它们谁更聪明，我想更有意义的做法是结合他俩的技能，帮助我们解决实际问题。

在机器学习在很多任务中已取得成功的今天，我们想回答的问题是：因果推断能否帮助机器学习在一些任务中做得更好，以及因果推断能否受益于新的机器学习算法？在这次的读书会中，我会从这两个方面来介绍一些现存的结合因果推断和机器学习的研究方向。在传统的利用观测性数据的因果推断中，很多模型往往通过很强的、可能不能被满足的假设来避免考虑hidden confounders。而最近的一些工作中，我们发现利用深度学习模型我们可以利用观测性数据中附带的网络信息弱化这一假设，提升因果推断模型的表现。

机器学习模型的一些问题也可以利用其背后的因果模型来解决或者缓解。这里的第一个问题是，如何使神经网络更加鲁棒？从因果性的角度，鲁棒意味着我们要避免学习到spurious correlation？比如在动物图像分类中，骆驼常常出现在沙漠中，如何能避免分类器利用沙漠背景来预测骆驼这个类？最近，在Invariant Risk Minimization (IRM) 这个工作中，作者们把具体问题中因果关系的限制条件转化成了机器学习模型中的inductive bias，从而达到这一目的。而在我们的工作中，我们发现IRM是一个过于宽泛的条件。针对这一问题我们提出了一个简单有效的解决方案。第二个问题是，在使用用户反馈作为标签的机器学习任务中，如何做到利用历史数据在线下对新模型进行评测和优化，使其线上效果得到提升。在最近的推荐系统和搜索的工作中，人们发现把用户反馈标签的因果图融入模型设计将使我们在这一任务中做得更好。

大纲：

Machine learning for causal inference
Learning causality with networked observational data
Causality-aware machine learning
Out-of-distribution prediction with causal inductive bias
Unbiased interactive machine learning

参考文献：

[1] Arjovsky, Martin, Léon Bottou, Ishaan Gulrajani, and David Lopez-Paz. “Invariant risk minimization.” arXiv preprint arXiv:1907.02893 (2019).

[2] Guo, Ruocheng, Lu Cheng, Jundong Li, P. Richard Hahn, and Huan Liu. “A survey of learning causality with data: Problems and methods.” ACM Computing Surveys (CSUR) 53, no. 4 (2020): 1-37.

[3] Guo, Ruocheng, Jundong Li, and Huan Liu. “Learning individual causal effects from networked observational data.” In Proceedings of the 13th International Conference on Web Search and Data Mining, pp. 232-240. 2020.

[4] Guo, Ruocheng, Jundong Li, and Huan Liu. “Counterfactual Evaluation of Treatment Assignment Functions with Networked Observational Data.” In Proceedings of the 2020 SIAM International Conference on Data Mining, pp. 271-279. Society for Industrial and Applied Mathematics, 2020.

[5] Guo, Ruocheng, Xiaoting Zhao, Adam Henderson, Liangjie Hong, and Huan Liu. “Debiasing Grid-based Product Search in E-commerce.” In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 2852-2860. 2020.

[6] Joachims, Thorsten, Adith Swaminathan, and Tobias Schnabel. “Unbiased learning-to-rank with biased feedback.” In Proceedings of the Tenth ACM International Conference on Web Search and Data Mining, pp. 781-789. 2017.

直播信息与报名方式

直播时间：今早（11月15日） 09:00-12:00

直播地址：集智俱乐部 B 站直播间

关注B站主播“集智俱乐部”