本期分享，我们将走进因果发现及因果性学习的世界，揭开如何从观察数据中发现变量之间的因果关系的面纱，并介绍如何将因果性思想运用于学习方法中。我们将从因果图构建的模型与假设出发，对基于约束的方法、基于因果函数模型的方法和混合型方法这三大类因果关系发现方法进行介绍；并针对因果图在迁移学习、解耦学习、故障根因定位等领域的因果性学习方法进行探讨。
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。
因果关系一直是人类认识世界的基本方式和现代科学的基石。爱因斯坦就曾指出，西方科学的发展是以两个伟大的成就为基础：希腊哲学家发明形式逻辑体系，以及通过系统的实验发现有可能找出因果关系。从与相关关系对比的角度来看，因果关系严格区分了“原因”变量和“结果”变量，在揭示事物发生机制、指导干预行为等方面有相关关系不能替代的重要作用。例如，吸烟、黄牙都与肺癌具有较强的相关关系，然而只有吸烟才是肺癌的原因，也只有戒烟才能降低肺癌的发病概率，而把牙齿洗白则不能降低肺癌的发病概率。
那么，我们如何推断事物之间的因果关系呢？虽然随机干预实验是最直接的解决方法，但由于实验技术局限、实验耗费代价巨大等原因，越来越多的因果推断领域学者希望通过观察数据推断变量之间的因果关系，是当前因果关系发现领域的研究热点。因果性学习则体现了因果性思想对于机器学习算法设计的指导作用。随着人工智能的发展，越来越多学者开始认识到因果推断对于克服现有深度学习、机器学习在抽象、推理、可解释性等方面的不足具有重要意义。正如图灵奖得奖者Pearl Judea提出的 “因果关系之梯” 中特别指出，我们当前的机器学习只处于第一层，只是“弱人工智能”，要实现“强人工智能”还需要干预和反事实推理。所以，如何将因果性思想融入机器学习框架，是一个开放并极具挑战的问题，需要我们一起来探索。
蔡瑞初，广东工业大学教授、博士生导师、省杰出青年基金获得者、DMIR实验室主任、广东省移动互联网电子商务大数据工程技术研究中心副主任。蔡教授专注于因果推断与因果性学习、深度学习等领域的理论与应用研究。已发表论文50余篇，包括ICML、NeurIPS、AAAI、IJCAI、SIGMOD、VLDB、SDM等领域重要会议和TNNLS、TKDE、NN、PR等国际著名期刊。上述成果在华为、网易、腾讯等企业应用实施，取得了良好的经济和社会价值。
蔡教授专注于因果推断与因果性学习、深度学习等领域的理论与应用研究。在上述领域先后主持国家自然科学基金、省杰出青年基金、省特支计划科技创新青年拔尖人才、珠江科技新星、市协同创新重大专项等项目。已发表论文50余篇，包括ICML、NeurIPS、AAAI、IJCAI、SIGMOD 、VLDB、SDM等领域重要会议和TNNLS、TKDE、NN、PR等国际著名期刊。上述成果在华为、网易、腾讯、唯品会、南方电网、南方通信建设等企业应用实施，取得了良好的经济和社会价值。先后获得省科学技术二等奖（第四完成人）、省科学技术一等奖（第三完成人）、国家发明专利奖优秀奖（第三完成人）。
参考文献
[1] Cai R, Qiao J, Zhang K, et al. Causal discovery from discrete data using hidden compact representation[C]//Proceedings of the 31st Advances in neural information processing systems, 2018: 2666-2674.
[2] Cai R, Qiao J, Zhang Z, et al. SELF: Structural Equational Likelihood Framework for Causal Discovery[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.
[3] Cai R, Xie F, Glymour C, et al. Triad Constraints for Learning Causal Structure of Latent Variables[C]//Advances in Neural Information Processing Systems. 2019: 12863-12872.
[4] Xie F, Cai R, Huang B, et al. Generalized Independent Noise Condition for Estimating Linear Non-Gaussian Latent Variable Graphs[C]//Proceedings of the 33rd International Conference on Neural Information Processing Systems. 2020.
[5] Cai R, Li J, Zhang Z, et al. DACH: Domain Adaptation Without Domain Information[J]. IEEE Transactions on Neural Networks and Learning Systems, 2020.
[6] Cai R, Chen J, Li Z, et al. Time Series Domain Adaptation via Sparse Associative Structure Alignment[C]// Proceedings of the 35th AAAI Conference on Artificial Intelligence, 2021.
[7] Cai R, Li Z, Wei P, et al. Learning disentangled semantic representation for domain adaptation[C]//Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence. NIH Public Access, 2019.
[8] 蔡瑞初, 陈薇, 张坤, 等. 基于非时序观察数据的因果关系发现综述[J]. 计算机学报, 2017, 40(6): 1470-1490.
参与方式：
时间：5月16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：
