“假如我当初选择不吃阿司匹林，我的头痛还会好吗？”诸如此种“假如…那么…”的问题，被称之为反事实问题，此类反事实问题和思想在人类的日常生活中随处可见，拥有反事实逻辑推断的能力是人类智能的重要表现之一。反事实推断在Pearl的因果之梯中处于最顶层，是因果推断尝试解决的顶层问题，也是赋予机器“联想”能力的重要途径，因此，为了探索通往机器智能的道路，我们有必要来了解反事实推断的背景、定义、假设、方法、应用以及未来的发展方向。
反事实问题通常在“潜在效应” (Potential Outcome) 描述下被定义，一些我们熟悉的因果量，比如平均因果效应 (ATT)、治疗因果效应 (ETT)、自然直接因果效应 (NDE) 和自然间接因果效应 (NIE) 等，在反事实语言的描述下都有了十分清晰的定义。反事实推断在政策效应分析、科学实验分析、个人风险评估、中介效应分析等诸多领域都有十分重要的应用，且在因果推断和机器学习两个领域呈现交叉趋势的背景下，反事实思想和反事实推断在机器学习领域中也取得了很多成功案例。为了进一步了解这些重要的因果量及其识别分析的方法，更全面、深刻地理解反事实推断在各类应用中扮演的重要角色，让我们一起走进本期分享：反事实及其应用。
集智俱乐部联合智源社区，组织因果科学系列读书会第二季，从基础和实操角度出发，精读两本因果科学方向的入门教材。详情见文末。
本期分享，我们将走进反事实的世界，了解什么是反事实问题以及生活中会遇到的反事实问题，给出反事实的定义、反事实在结构模型和图模型中的意义和解释，介绍两条反事实基本定理，从特殊的确定性模型到一般的非确定性模型，我们给出如何计算反事实量的思路，并在实验设定下给出估计反事实量的方法，进一步当限定模型为线性模型时如何简便地估计反事实量，最后讲解几个现实中应用反事实的案例，并从案例中总结出三条常见的反事实模式，给出三种反事实模式的估计方法。
陈晗曦，本科毕业于西北工业大学，现为上海交通大学信息与控制专业直博一年级学生，导师为李元祥教授，主要研究方向包括因果推断、鲁棒机器学习、流形学习与几何优化。
主要参考文献：
[1] Judea Pearl, Madelyn Glymour, and Nicholas P. Jewell. Causal Inference in Statistics: A Primer. 2016
[2] Judea Pearl. Causality: Models, Reasoning, and Inference. 2009.
[3] Judea Pearl and Dana Mackenzie. The Book of Why. 2018.
[4] Jonas Peters, Dominik Janzing, and Bernhard Schölkopf. Elements of Causal Inference: Foundations and Learning Algorithms. 2017
[5] Miguel A. Hernán and James M. Robins. Causal Inference: What if. 2020
[6] 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.
[7] Balke A, Pearl J. Probabilistic evaluation of counterfactual queries[J]. 2011.
[8] Niu Y, Tang K, Zhang H, et al. Counterfactual vqa: A cause-effect look at language bias[J]. arXiv preprint arXiv:2006.04315, 2020.
参与方式：
时间：5月9日（周日）上午10:00-12:00
扫描二维码，点击“我要听”预约，内附 B 站直播地址，可获得活动提醒
因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注，为深入探讨、普及推广因果科学议题，智源社区携手集智俱乐部将举办第二季「因果科学与CausalAI读书会」。本期读书会着力于实操性、基础性，将带领大家精读因果科学方向两本非常受广泛认可的入门教材。
1. Pearl, Judea, Madelyn Glymour, and Nicholas P. Jewell. Causal inference in statistics: A primer. John Wiley & Sons, 2016.（本书中译版《统计因果推理入门（翻译版）》已由高等教育出版社出版）
2. Peters, Jonas, Dominik Janzing, and Bernhard Schölkopf. Elements of causal inference: foundations and learning algorithms. The MIT Press, 2017.
读书会每周将进行直播讨论，进行问题交流、重点概念分享、阅读概览和编程实践内容分析。非常适合有机器学习背景，希望深入学习因果科学基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。
目前因果科学读书会系列，已经有接近400多位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，吸引了国内和国际上大部分的因果科学领域的专业科研人员，如果你也对这个主题感兴趣，想要深度地参与，就快加入我们吧！
报名：（长期有效）
第一步：扫码填写报名信息。
第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）
第三步：添加负责人微信，拉入对应的读书会讨论群。
我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。
相关资料推荐：
