导语


因果表征学习(CaRL)，即从低水平的观察中发现高水平的因果变量。一方面，因果表征学习是机器学习(ML)和人工智能(AI)的基本问题之一，因为它在解决ML/AI中两个长期未解决的问题:可解释性和可泛化性方面起着关键作用。另一方面，将因果关系应用于ML/AI也是最大的挑战之一，因为大多数因果关系研究都是从给定因果变量的前提开始的，但ML/AI并不总是这样。


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，持续时间预计7-8周。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：因果表征学习作为因果科学的前沿方法，可以用于研究复杂系统中的涌现现象。涌现是从微观到宏观的产生过程， 这与因果表征学习恰好对应。因为表征学习也是一个从微观到 宏观的学习过程，它从一些微观的信息(比如图像或者音频) 中可以学到宏观的、可解释的因果变量。





报告内容简介




【大纲】

  • Why Causality?

  • A Bite of Causality

  • First Principles of Causal Machine Learning

  • Causal Representation Learning?

    • Why

    • What and How

  • Representative Application: Causal Reinforcement Learning

    • Why

    • What and How

  • Discussion

【主要涉及到的知识概念】

  • 结构因果模型      Structural Causal Models
  • 因果之梯    Pearl’s Ladder of Causation
  • 因果机器学习    Causal Machine Learning
  • 因果表征学习    Causal Representation Learning
  • 因果强化学习    Causal Reinforcement Learning
  • 因果关系发现    Causal Discovery
  • 独立因果机制    Independent Causal Mechanisam
  • 稀疏机制偏移    Sparse Mechanism Shift
  • 不可知论假说    The Agnostic Hypothesis





主讲人介绍




陆超超，剑桥大学机器学习组博士生，同时他也是Cambridge-Tübingen 博士奖学金的获得者，由马克斯·普朗克智能系统研究所的Bernhard Schölkopf 教授联合培养。他的主要研究兴趣是机器学习，特别是涉及到如何结合因果推理、贝叶斯推理、强化学习和深度学习各自的优势，并将它们应用在现实领域中解决实际问题，如计算机视觉和医疗等领域。




报告参与信息




时间：
2022年9月25日（周日）晚上20:00-22:00

参与方式：

  • 本次读书会仅对因果科学社区和因果涌现社区公开，不会在视频号和B站直播，本周日晚视频号和B站有计算社会科学主题的直播，欢迎大家关注

  • 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”，报名读书会