周日直播:时间序列中的因果关系 | 因果科学读书会
导语
经典教材Elements of Causal Inference的第十章,探讨了时间序列中的因果问题:除了指出时间为因果方向的确定提供的重要的信息,从而有助于因果学习外;还阐明了在时间序列中进行因果分析会遇到的独有挑战。第十章提供了时间序列中基于图和SCM的因果模型定义,并讨论了因果模型的辨识条件,还给出了学习因果模型的3个具体方法;最后简单提及基于微分方程的Dynamic Causal Modeling。
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
经典教材Elements of Causal Inference的第十章,探讨了时间序列中的因果问题:除了指出时间为因果方向的确定提供的重要的信息,从而有助于因果学习外;还阐明了在时间序列中进行因果分析会遇到的独有挑战。第十章提供了时间序列中基于图和SCM的因果模型定义,并讨论了因果模型的辨识条件,还给出了学习因果模型的3个具体方法;最后简单提及基于微分方程的Dynamic Causal Modeling。
除了上述内容,本次分享还将介绍由因果领域诸多学者发表的前沿综述“Inferring causation from time series in Earth system sciences”。本文详细阐述了如何将现有的因果发现方法应用于地球系统科学中,并且比较了多种方法的优劣,包括非线性相空间方法 (收敛交叉映射)、基于条件独立检验的方法、格兰杰因果、结构因果模型等。并且从要处理的过程、数据及计算三大方面总结出在实际科研中使用因果推断将要面临的诸多挑战,对于实际操作有诸多指导意义。
主讲人
蔡心宇,本科毕业于中国科学技术大学,现为南洋理工大学计算机专业博士生,研究兴趣包括Causal Reinforcement Learning、Model-based Reinforcement Learning、Physical Modeling等。
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] Stephan Bongers, Jonas Peters, Bernhard Sch¨olkopf, Joris M. Mooij. Structural Causal Models: Cycles, Marginalizations, Exogenous Reparametrizations and Reductions. 2018.
[3] Jakob Runge, et al. Inferring causation from time series in Earth system sciences. NATURE COMMUNICATIONS, 2019.
[4] Naji Shajarisales, et al. Telling Cause from Effect in Deterministic Linear Dynamical Systems. ICML 2015.
[5] Causal Inference on Time Series using Restricted Structural Equation Models. NIPS 2013.
[6] Detecting Causality in Complex Ecosystems. Science 2012.
参与时间:
7月11日(周日)上午10:00-12:00
参与方式:
-
本次读书会主题将在集智俱乐部 B 站免费直播,扫码可预约
-
付费参加读书会可加入腾讯会议,可提问交流,加入群聊,获取回看地址,成为因果社区种子用户,与500余位因果科学社区的一线科研工作者沟通交流,共同推动因果科学社区的发展(点击文末阅读原文即可报名)
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
点击“阅读原文”,即可报名读书会