导语


本次分享与因果科学与Causal AI读书会进行联动，对文章《Abstracting Causal Models》进行解读。对于多尺度复杂系统间的粗粒化，其本质是“忽略非本质的差异”。这将会启发一个重要问题：什么是一种非本质的差异？在上次分享的《Causal Consistency of Structural Equation Models》中，首次提出了适用于概率因果模型的多尺度复杂系统间保持因果一致性的粗粒化概念，称为精确转换（exact transformation）。然而，隐含在精确转换定义中的 “非本质性差异 “的概念过于宽泛。考虑到涉及因果关系的粗粒化，就会有新的微妙之处。在本次报告中，北京大学李昊轩博士将深入讲解更多复杂系统间的因果粗粒化方法，将复杂的低层次模型抽象为更简单的高层次模型。


因果涌现读书会第二季主要围绕追根溯源、因果涌现、因果表示学习、机器学习多尺度自动建模、量子因果五大主题来探寻涌现、因果科学和机器学习这三大主题之间的联系。自2022年5月22日开始，每周日晚上19:00-21:00举办，仍在进行中。欢迎对本话题感兴趣的朋友报名参加！





跟读书会主题之间的关系




  • 与读书会之间的关系：当我们用不同的放大比例去看一个复杂系统的时候，会得到完全不同的模式与动力学。当一个系统在宏观尺度能够展现出比它的微观尺度更强的因果特性，那么，这就发生了因果涌现。本次报告在将复杂的低级模型抽象为较简单的高级模型的思想上，进一步详细讨论多尺度复杂系统间具有因果意义的粗粒化概念与现实意义。

  • 与复杂系统之间的关系：复杂系统在宏观状态和微观状态都有不同的刻画和描述。不同于考虑相关性的粗粒化，本次报告将深入介绍一系列复杂系统间的因果粗粒化方法。这将使得我们有可能探索实际因果关系的概念是否可以在不同尺度的因果模型中应用，而不仅仅是在一个单一的因果模型中。例如，把低层次模型中的一个事件看作是导致高层次模型中的一个事件发生的原因。





报告内容简介




我们可以而且通常也会在不同的抽象层次上分析问题。例如，我们可以通过在大脑中的神经元水平或在信仰、欲望和意图水平上思考来理解人类的行为。政治学家可能试图从个别选民的角度或从中西部蓝领工人等群体的行为角度来理解选举。由于在这些分析中，我们通常对变量之间的因果关系感兴趣，因此使用因果模型对不同层次的抽象进行建模似乎是合理的（Halpern 2016；Pearl 2000）。那么问题来了，一个高层次的 “宏观 “因果模型（例如，一个考虑信念、欲望和意图的模型）是否是一个低层次的 “微观 “模型（例如，一个描述神经元水平的模型）的“好”的粗粒化？在本次报告中，我们将深入讨论一系列限制性更强的因果粗粒化定义，首先是适用于概率因果模型精确转换（exact transformation），考虑了粗粒化的因果一致性；到适用于确定性因果模型的均匀转换（uniform transformation）概念，不允许通过分布的 “正确 “选择来隐藏差异。再到抽象（abstraction），其中感兴趣的干预是由低级状态到高级状态的映射决定的；以及强抽象（strong abstraction），它更重视模型中所有潜在的干预，而不仅仅是允许的干预。


【中文大纲】


1. 背景：建立不同尺度上的因果推理联系   Background: Linking causal reasoning at different scales
2. 概率因果模型：综述    Probabilistic causal models: a review
3. 从精确转换到抽象化   From exact transformations to abstractions

3.1 精确转换   Exact transformations

3.2 均匀转换   Uniform transformations

3.3 抽象化   Abstraction

3.4 从微观变量到宏观变量   From micro-variables to macro-variables

4. 讨论和总结    Discussion and Conclusions


【主要涉及到的知识概念】


干预 Intervention
复杂系统 Complex System
因果建模 Causal Modelling
概率因果模型 Probabilistic Causal Models

确定性因果模型 Deterministic Causal Models





主讲人介绍




李昊轩，北京大学大数据科学研究中心，机器学习方向博士研究生，导师为周晓华教授，专业为数据科学（统计学），研究兴趣为因果推断，推荐系统，强化学习。获北京大学校长奖学金，已在IJCAI，KDD等多个顶尖会议发表文章，现为NeurIPS，AAAI等审稿人。


参考文献

[1] Beckers, S. , and  J. Y. Halpern . “Abstracting Causal Models.” National Conference on Artificial Intelligence Association for the Advancement of Artificial Intelligence (AAAI), 2019.




直播信息




直播时间：

2022年9月4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。


因果涌现读书会第二季招募中


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。


由北京师范大学教授、集智俱乐部创始人张江和加州大学圣地亚哥分校助理教授尤亦庄等人发起的「因果涌现」系列读书会第二季，将组织对本话题感兴趣的朋友，深入研读相关文献，激发科研灵感。本读书会自2022年5月22日开始，每周日晚19:00举办，预计持续7-8周。欢迎感兴趣的朋友报名参与。


本季读书会详情与报名方式请参考：
因果、涌现与机器学习：因果涌现读书会第二季启动


点击“阅读原文”，报名直播