跟读书会主题之间的关系

报告内容简介

• 正如爱因斯坦所说，这个宇宙的最不可理解之处是它竟然是可以理解的。我们周围的各类复杂系统的特性往往都可以由若干个变量及其之间的数学关系精确描述或高精度近似。这些变量有的可以观察，有的可以干预，有的既无法观察也无法干预。这些变量有的是细粒度（微观）描述，有的是粗粒度（宏观）描述。而因果被数学的定义为不同变量的取值分布变化之间的特定关系。

• 面对海洋般的大量数据，现有的机器学习方法（尤其是深度学习）可以有效的计算细粒度数据之上的粗粒度特征，比如从上百万个像素的RGB值数据中计算出边缘、明暗、形状等粗粒度语义信息，以及进一步的计算出比如猫、狗、熊、马等更粗粒度的概念信息。智能系统在有限资源（算力、时间等）下有效运作的一个重要方式即是在粗粒度上（因而信息量小）而非细粒度上（因而信息量大难以存储和处理）
  进行因果发现和推理。

【大纲】

1.背景

2.宏观变量

3.例子：环境光色调与皮肤电响应

4.因果特征

【主要涉及到的知识概念】

•条件概率 conditional probability

•因果特征 causal feature

•因果特征学习 causal feature learning（CFL）

•混合密度网络 mixture density network(MDN)

•勒贝格测度 Lebesgue measure

主持人介绍

岳玉涛，集萃深度感知技术研究所创始人、所长。主要研究兴趣包括计算建模与人工智能、雷达视觉融合、电磁场、AGI等。

参考文献

[1] Chalupka K, Eberhardt F, Perona P. Causal feature learning: an overview. Behaviormetrika, 2017, 44(1): 137-164.

直播信息

直播时间：

2022年7月17日（周日）晚上19:00-21:00

参与方式：

• 集智俱乐部 B 站免费直播，扫码可预约：

扫码预约

• 文末扫码付费参加因果涌现读书会第二季可加入腾讯会议，可提问交流，加入群聊，获取回看地址及更多学习资料，成为因果涌现社区种子用户，与因果涌现社区的一线科研工作者沟通交流，共同推动因果涌现社区的发展。

跨尺度、跨层次的涌现是复杂系统研究的关键问题，生命起源和意识起源这两座仰之弥高的大山是其代表。而因果涌现理论、机器学习重整化技术、自指动力学等近年来新兴的理论与工具，有望破解复杂系统的涌现规律。同时，新兴的因果表示学习、量子因果等领域也将为因果涌现研究注入新鲜血液。

点击“阅读原文”，报名直播