周日晚8点，“因果科学与Causal AI”读书会将进行第九期的线上论文分享，主题是“因果推理和迁移学习”，将由墨尔本大学讲师宫明明、悉尼大学在读博士郭家贤和悉尼大学在读博士丁晨炜来进行分享，本次内容将在集智俱乐部B站直播。

大数据的出现使得许多学科在学习和预测方面取得了革命性的成功。但是，当前的机器学习模型的一个主要缺点是缺乏对新领域的适应性和泛化能力。也就是说，标准的监督学习模型在数据分布发生变化时预测性能会显著下降。在本次读书会，我们将重点讲述如果利用因果模型理解和建模不同领域的分布变化。因为因果系统的独立模块性质，我们可以将复杂的分布分解成小的模块，发掘分布在不同领域的不变性和变化性，从而开发出具有领域自适应能力的高效迁移学习算法。以下是本次读书会的大纲：

1. 领域自适应问题的定义

2. 因果模型的独立模块性质

3. 因果视角下的领域自适应

4. 不同领域自适应设定下的算法设计

5. 多领域的因果模型学

主讲人介绍

宫明明，墨尔本大学讲师，研究方向为因果推断，基于因果的机器学习，迁移学习，计算机视觉。

郭家贤，悉尼大学在读博士，研究方向为深度迁移学习，强化学习。

丁晨炜，悉尼大学在读博士，研究方向为因果发现，计算机视觉。

参考文献

[1] Schölkopf, B., et al. “On causal and anticausal learning.” 29th International Conference on Machine Learning (ICML 2012). International Machine Learning Society, 2012.

[2] Zhang, K., et al. “Domain adaptation under target and conditional shift.” International Conference on Machine Learning. 2013.

[3] Zhang, K., Gong M., and Schölkopf B. “Multi-Source Domain Adaptation: A Causal View.” AAAI. Vol. 1. 2015.

[4] Gong M., et al. “Domain adaptation with conditional transferable components.” International Conference on Machine Learning. 2013.

[5] Rojas-Carulla, Mateo, et al. “Invariant models for causal transfer learning.” The Journal of Machine Learning Research 19.1 (2018): 1309-1342.

[6] Magliacane, Sara, et al. “Domain adaptation by using causal inference to predict invariant conditional distributions.” Advances in Neural Information Processing Systems. 2018.

Guo, Jiaxian, et al. “Ltf: A label transformation framework for correcting target shift.” ICML, 2020.

[7] Zhang, K., Gong, M., Stojanov, P., Huang, B., Liu, Q., & Glymour, C. (2020). Domain adaptation as a problem of inference on graphical models. Advances in Neural Information Processing Systems, 33.

[8] Huang, Biwei, et al. “Causal discovery from heterogeneous/nonstationary data.” Journal of Machine Learning Research 21.89 (2020): 1-53.

直播信息与报名方式

直播时间：周日（11月22日） 20:00-23:00

参与方式 1：腾讯会议（需报名参加系列读书会）

参与方式 2：集智俱乐部B站直播

扫描下方二维码，点击「我要听」报名，内附B站直播地址。