传统机器学习在进行预测任务时大多数情况下会寻找输入数据中和预测任务相关的信息。但是为了达到更加鲁棒，可重用性强的预测效果，需要考虑更多的是观察数据当中存在或隐含的因果信息，而非假相关关系。 在强化学习任务当中，合适的因果表征、因果建模能够合理地提升强化学习的性能，降低其采样复杂度。从该动机出发，我们将在因果模型辅助环境认知，反事实推理以及下游决策任务两个方面进行介绍，其中包括部分经典方法，以及近期在因果启发下的决策方法。
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。
本期分享将介绍因果启发决策推理任务的问题以及整体流程，包括因果模型辅助环境认知，反事实推理以及下游决策任务。在环境认知部分将简单的介绍因果发现，因果模型建模，因果表示学习的常见方法，以及近期在因果解耦表征学习上的探索。下游决策任务上，将介绍强化学习的基本知识，Model-based RL中的World Models方法，以及近期的因果模型辅助强化学习的基于因果世界模型的强化学习方法。
杨梦月，伦敦大学学院计算机专业博士一年级，导师为汪军教授，曾在WWW/CVPR上发表过一作论文。目前在华为诺亚方舟决策推理实验室因果组实习，研究兴趣包括因果表示学习，因果强化学习。
参考文献
• Xun Zheng, Bryon Aragam, Pradeep K Ravikumar, and Eric PXing. Dags with no tears: Continuous optimization for struc-ture learning. InAdvances in Neural Information ProcessingSystems, pages 9472–9483, 20
• Mooij, J. M., Peters, J., Janzing, D., Zscheischler, J., andSch ̈olkopf, B.Distinguishing cause from effect using observational data: Methods and benchmarks.J.Mach. Learn. Res., 17:32:1–32:102, 2016
• Yue Yu, Jie Chen, Tian Gao, and Mo Yu. Dag-gnn: Dagstructure learning with graph neural networks.arXiv preprintarXiv:1904.10098, 2019
• Francesco Locatello, Stefan Bauer, Mario Lucic, GunnarR ̈atsch, Sylvain Gelly, Bernhard Sch ̈olkopf, and OlivierBachem. Challenging common assumptions in the unsuper-vised learning of disentangled representations.arXiv preprintarXiv:1811.12359, 2018.
• Yang M , Liu F , Chen Z , et al. CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models[J]. 2020.
• X Shen,F Liu,H Dong,Q Lian,T Zhang. Disentangled Generative Causal Representation Learning
• David Ha, Jürgen Schmidhuber:World Models. CoRR abs/1803.10122 (2018)
• Minne Li, Mengyue Yang, Furui Liu, Xu Chen, Zhitang Chen, Jun Wang: Causal World Models by Unsupervised Deconfounding of Physical Dynamics. CoRR abs/2012.14228 (2020)
• Schlkopf B , Locatello F , Bauer S , et al. Towards Causal Representation Learning[J]. 2021.
• Judea Pearl.Causality. Cambridge university press, 20
• Peters J , Janzing D , B Schölkopf. Elements of Causal Inference – Foundations and Learning Algorithms. 2017.
参与时间：
时间：6月6日（周日）上午10:00-12:00
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：
