为了帮助大家更好地了解因果科学的最新科研进展和资讯，我们因果科学社区团队本周整理了第1期《因果科学周刊》，从 Causality, Causal Inference, Causal AI 三个维度鸟瞰，按照论文推荐、演讲报告、会议活动归类整理和推送近期因果科学值得关注的信息，同时我们也将向大家介绍社区正在推进的活动——因果科学与Casual AI读书会第5期中的主要报告内容、观点。

作者：龚鹤扬

因果科学社区简介：它是由集智俱乐部、智源社区共同推动，面向因果科学领域的垂直型学术讨论社区，目的是促进因果科学专业人士和兴趣爱好者们的交流和合作，推进因果科学学术、产业生态的建设和落地，孕育新一代因果科学领域的学术专家和产业创新者。

因果科学社区欢迎您加入！

因果科学社区愿景：回答因果问题是各个领域迫切的需求，当前许多不同领域（例如 AI 和统计学）都在使用因果推理，但是他们所使用的语言和模型各不相同，导致这些领域科学家之间沟通交流困难。因此我们希望构建一个社区，通过组织大量学术活动，使得科研人员能够掌握统计学的核心思想，熟练使用当前 AI 各种技术（例如 Pytorch/Pyro 搭建深度概率模型），促进各个领域的研究者交流和思维碰撞，从而让各个领域的因果推理有着共同的范式，甚至是共同的工程实践标准，推动刚刚成型的因果科学快速向前发展。具备因果推理能力的人类紧密协作创造了强大的文明，我们希望在未来社会中，因果推理融入到每个学科，尤其是紧密结合和提升 AI ，期待无数具备攀登因果之梯能力的 Agents (Causal AI) 和人类一起协作，共建下一代的人类文明！

如果您有适当的数学基础和人工智能研究经验，既有科学家的好奇心也有工程师思维，希望参与到”因果革命“中，教会机器因果思维，为因果科学作出贡献，可扫描下面社区小助手二维码申请加入（请备注“因果科学”）👇

作为我们社区周报的一个特色，也为了帮助大家在阅读某个因果问题的某篇论文或某项研究时，脑海中有一个清晰的 Big Picture：如它涉及的理论框架是什么、如何结合当下各种 AI 理论和技术等，我们根据因果科学的内容分类（所下图所示），对周报中摘录的每一条信息用相对应的内容标签进行标引，以供大家参考。三个标签的典型内容分别是 1）Big Ideas in Causality，重要人物的观点和因果相关哲学思辨等。2）Causal Inference for Data Science，因果推理七个工具，一般涉及领域经济学，社会科学和统计学等。3）Causal AI，关注因果推理如何助力当前的 AI，例如因果表示学习和因果强化学习等。

图1：因果科学资讯内容分类

我们的周报一方面关注看到因果科学的 Big Picture, 包括 Causality, Causal Inference, Causal AI。另外一方面会落地到某个具体的主题（比如中介分析，是我们读书会的主题，也将会是接下来某期周报的主题）关于这个主题的当前科学理解（论文，研究人员、专门的会议等）。

1. 论文推荐

近期有关因果科学基础理论研究推荐两个工作：

1) Bareinboim E, Correa J D, Ibeling D, et al. On Pearl’s hierarchy and the foundations of causal inference[J]. ACM Special Volume in Honor of Judea Pearl (provisional title), 2020.

计算机科学和相关学科以外的读者可能会惊讶地发现，人类直到1920年代仅对计算概念本身进行了半正式的理解。在数学家和哲学家艾伦·图灵（Alan Turing）的开创性工作之后，随之而来的是多项突破，包括现代计算机的兴起，通过计算机科学的理论和基础，并最终达到我们今天所享有的丰富多样的技术进步。Judea Pearl 及其合作者提出并系统化的研究因果之梯，其作用之于因果科学类似于图灵的工作之于计算机科学，让因果科学有了一套严格正式的数学语言。也就是说 Judea Pearl 之前的工作更多是各种因果推断技术，而之后成为了一门具备充实理论基础的因果科学。本文介绍了因果之梯的逻辑视角和图视角，是作为 Judea Pearl 的学生 Elias Bareinboim 对因果科学理论基础一次 state-of-art 的梳理，而且青出于蓝而胜于蓝，是一个比 Judea Pearl 本人的相关文献更清晰和适合的因果学科基础介绍。

【内容标签】因果理论（Causality）

2) Pearl J. Causal, Casual, and Curious (2013-2020): A collage in the art of causal reasoning[J]. 2020.

Judea Pearl 整理的，从 2013 起 14 篇有关 Causality 中基本问题的一些尝试性或者半成熟的想法，隶属于 Journal of Causal Inference 的 “Causal, Casual, and Curious” 部分。包括：

Linear Models: A Useful “Microscope” for Causal Analysis
The Curse of Free-will and the Paradox of Inevitable Regret
“Is Scientific Knowledge Useful for Policy Analysis? A Peculiar Theorem says: No,”
“Graphoids over counterfactuals”
“Conditioning on Post-Treatment Variables,”
“Generalizing experimental findings,”
“The Sure-Thing Principle,”
….

这些论文都是关于因果各个方面的深度思考和理论研究。

【内容标签】因果理论（Causality）

此外，越来越多数据有关学科再使用因果推断，比如医学领域，一篇 Nature Communications 近期的文章如 Improving the accuracy of medical diagnosis with causal machine learning 。

R是风险因素，D是疾病，S是症状, 因果关系是 R->D->S，其中蓝色节点是观测变量，红色节点是干预变量。这篇文章指出医疗诊断本质是一个反事实推断的任务，给出了反事实诊断算法，并且对比基于相关性的贝叶斯诊断算法，得出了我们需要把因果推理引入医疗诊断的结论。

【内容标签】因果推断（for Data Science）

2. 报告视频和会议活动

数据科学正在经历灵魂拷问，以数据为中心的”大数据革命“ VS 以科学为中心的“因果革命”，大家也可以看看 Judea Pearl 这个最新报告。Talk by Professor Judea Pearl on “Data versus Science: Contesting the Soul of Data-Science”, which took place at the CIFAR Learning in Machines and Brains Meeting on July 30, 2020.

该报告介绍了当前正在进行的因果革命的七大工具和对数据科学广泛深刻影响。

【内容标签】因果推断（for Data Science）

近期有关 Causal AI 的非常值得关注的会议是 Frontiers in Machine Learning 2020， July 20-23, 2020. Microsoft. 该会议视频已经在其官网公布，见 https://www.microsoft.com/en-us/research/video/frontiers-in-machine-learning-big-ideas-in-causality-and-machine-learning/

其中的 Causality and Machine Learning (special MSR India session) 邀请到了三位因果结合机器学习的一线工作者 Susan Athey, Elias Bareinboim, Cheng Zhang 做主题演讲，包括

Causal Inference, Consumer Choice, and the Value of Data
On the Causal Foundations of Artificial Intelligence (Explainability & Decision-Making)
A causal view on Robustness of Neural Networks

在因果结合机器学习的道路上，这个会议展示了其最前沿的研究。

【内容标签】因果机器学习（Causal AI）

另外即将进行的 NeurIPS 2020 Workshop Causal Discovery & Causality-Inspired Machine Learning, December 11 or December 12, 2020，该研讨会关注两个主题（1）因果发现（2）因果观点如何帮助理解和解决机器学习问题。

https://www.cmu.edu/dietrich/causality/neurips20ws/

【内容标签】因果机器学习（Causal AI）

3. 近期社区活动

2020年10月25日晚8点，因果科学与Casual AI读书会第五期——“中介分析和路径因果效应（论文解读）”如期进行，北京大学数学科学学院在读博士生胡文杰，毕业于北京大学数学学院、现任职于某商业银行风险管理部的陆怡舟作了精彩分享。

胡文杰的分享主题，是解读 Robins最近的论文《An interventionist approach to mediation analysis》。这篇文章首先介绍了中介分析中经常关注的两个量CDE和NDE，然后分析了这两个中介效应在Pearl的NPSEM-IE模型下的可识别性和Robins的FFRCISTG模型下的可识别性，并指出NPSEM-IE模型实际上包含了cross-world中的潜在结果之间的独立性假设，而这种假设的合理性需要去验证。

而Robins的FFRCISTG模型的假设则要少一些，但是这也导致了PDE（pure direct effect）在该模型下不可识别。为了解决这个问题，Robins提出可以将处理拆分成几部分，并分别分析这几部分的因果作用，给出了用可观察数据来识别PDE以及更一般的cross-world潜在结果分布的识别性条件，进一步的，Robins还讨论了路径因果效应等的可识别性。

陆怡舟的分享主题是《关于路径效应中的半参数估计方法》。他以艾滋病 (AIDS) 治疗为例子，介绍了有关路径效应的估计方法。AIDS疗法的疗效分析中，一个因果建模可以回答的问题是“遵医嘱用药的治疗效果有多重要？” AIDS 治疗研究的因果图结构为如下：

C0 代表包括包括了年龄、性别等病人自身因素的协变量。A 是有关遵从遗嘱的分组变量，C1 是首个疗程的药物毒性及服药依从性度量指标，例如服药次数、漏服次数等等。M 代表第二个疗程的服药依从性度量指标。Y 是结果变量。此时 “遵医嘱用药的治疗效果有多重要？”转化成了计算通过路径 π：A →M →Y (图中红色路径) 的产生的因果效应大小问题。

本次读书会中，陆怡舟递进地分享了路径效应的三个估计量（Estimator）。前两个估计量的形式与IPW方法下的因果效应估计量形式相近（注：IPW，“Inverse of propensity weighting”）。第三个估计量可视为包括前两个估计量在内的多个估计量的组合，因而降低了因果推断中的模型偏差。结果表明不同的疗法之间对服药依从性的要求并不同，如果接受疗法3 的病人能与接受疗法 1 的病人一样遵从医嘱，那么两种疗法的疗效差距将减少约44%。由此可见，遵从医嘱按时按量服药对慢性病患者至关重要。

系列读书会报名

大数据时代的下一场变革——因果革命正在酝酿之中，通过融合因果推理和机器学习而构建出来的Causal AI系统，有望奠定强人工智能的基石。

集智俱乐部联合北京智源人工智能研究院，邀请了一批对因果科学与Causal AI感兴趣的研究者，开展为期2-3个月的系列线上读书会，研读经典和前沿论文，并尝试集体撰写一部书籍。如果你也从事相关的研究、应用工作，欢迎报名，参与读书会的讨论！

时间：9月20日起，每周日晚19:00-21:00，持续约2-3个月

模式：线上闭门读书会；收费-退款的保证金模式；读书会成员认领解读论文

费用：299/人

了解读书会具体规则、报名读书会请点击下方文章：

因果科学与 Causal AI 系列读书会 | 众包出书

目前读书会已经有超过130余人的海内外高校科研院所的一线科研工作者以及互联网一线从业人员参与，如果你也对这个主题感兴趣，就快加入我们吧！