今晚8点直播：因果表示学习 | 因果科学与Causal AI读书会

今晚8点，“因果科学与Causal AI”读书会将进行第十一期的线上论文分享，主题是“因果表示学习”，将由清华在读博士葛春江、北京大学信科学院在读硕士徐博文来进行分享，本次内容将在集智俱乐部B站直播。

背景介绍

表示学习在近些年来在诸多领域取得了重要的进展，伴随着重要性能指标的大幅提升，表示学习将很多的模型从实验室推向了工业界应用。在这个过程中，研究人员也注意到了表示学习存在的诸多问题，深度神经网络缺乏可解释性，人们并不能了解神经内滚落到底提取了什么样的特征，因此深度神经网络也饱受对抗样本的困扰。研究人员为了解决这个问题将关注点投入了因果推断这个学科，将因果推断和表示学习结合可能是未来解决相关问题的关键方法。

Outline

review on traditional causal inference methods
deep representation learning

balancing based methods
latent space based methods

vision and causal inference

Reference

F. Johansson, U. Shalit, and D. Sontag. “Learning representations for counterfactual inference.” International conference on machine learning. 2016
U. Shalit, F. Johansson, and D. Sontag. “Estimating individual treatment effect: generalization bounds and algorithms.” Proceedings of the 34th International Conference on Machine Learning-Volume 70. JMLR. org, 2017
L. Yao, et al. “Representation learning for treatment effect estimation from observational data.” NeurIPS 2018.
Louizos, Christos, et al. “Causal effect inference with deep latent-variable models.” Advances in Neural Information Processing Systems. 2017.
Sun, Xinwei, et al. “Latent Causal Invariant Model.” arXiv preprint arXiv:2011.02203 (2020).
Wu, Anpeng, et al. “Learning Decomposed Representation for Counterfactual Inference.”

葛春江，清华博士在读，研究方向是计算机视觉，因果推理和数据挖掘等。

论文解读：Causal Intervention for Weakly-Supervised Semantic Segmentation

语义分割（Semantic segmentation）的目的是将每个图像像素划分到相应的类，常应用于自动驾驶和医学成像等领域。但获得语义分割的标签需要人工对物体的轮廓做精细的标记，成本过于高昂，因此，人们使用标记成本相对低廉的图像类别标签训练用于特征提取的神经网络，由此生成分割区域，作为语义分割模型的标签。

然而，在上述过程中，像素与图像类别标签之间存在虚假的关联，有些背景或与标签相关的其他物体的像素会被纳入分割区域，导致语义分割模型的训练标签有较大的误差。因此，为了获得更加准确的语义分割标签，本文建立了一个因果模型，对像素与图像类别标签之间的因果关系进行分析，通过因果干预的手段消除像素与类别标签之间的虚假关联，使特征提取神经网络学到更合理的特征表示，从而得到更加精细的语义分割标签，帮助语义分割模型得到更好的效果。