周日直播丨基于观测数据的因果发现简介
导语
本期分享，我们将一起阅读Elements of Causal Inference 这本书的第四章和第七章，补充因果发现领域的基础知识。探讨多变量因果模型和双变量因果模型的可识别性问题，和相应的一些经典的因果发现算法，包括但不限于多变量模型中基于约束的方法、基于打分函数的方法，双变量模型中基于加性噪声模型、信息几何（Information-Geometric Causal Inference）等方法。
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。
内容简介
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。
主讲介绍
张天健，本科毕业于西安交通大学，现为香港中文大学（深圳）计算机信息工程专业博士研究生，研究兴趣包括可解释机器学习、因果推断及其在通信、医疗等领域中的应用。
参考文献
[1] Peters, Jonas, Dominik Janzing, and Bernhard Schölkopf. Elements of causal inference: foundations and learning algorithms. The MIT Press, 2017.
[2] Mooij, Joris M., et al. “Distinguishing cause from effect using observational data: methods and benchmarks.” The Journal of Machine Learning Research 17.1 (2016): 1103-1204.
[3] 蔡瑞初, 郝志峰. 大数据中的因果关系发现. 北京：科学出版社, 2018
[4] Zheng, Xun, et al. “Dags with no tears: Continuous optimization for structure learning.” arXiv preprint arXiv:1803.01422 (2018).
[5] Lopez-Paz D, Nishihara R, Chintala S, et al. Discovering causal signals in images[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 6979-6987..
参与时间：
时间：5月23日（周日）上午10:00-12:00
直播地址：https://meeting.tencent.com/l/equCySYquCgU
因果科学第二季读书会报名中
因果科学第二季读书会报名中
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。
相关资料推荐：
微信扫一扫,分享到朋友圈
