导语

随着“因果革命”在人工智能与大数据领域徐徐展开，作为连接因果科学与深度学习桥梁的因果表征学习，成为备受关注的前沿方向。以往的深度表征学习在数据降维中保留信息并过滤噪音，新兴的因果科学则形成了因果推理与发现的一系列方法。随着二者结合，因果表征学习有望催生更强大的新一代AI。

集智俱乐部组织以“因果表征学习”为主题、为期十周的读书会，聚焦因果科学相关问题，共学共研相关文献。读书会自2022年12月27日开始，每周六晚20:00线上举行。欢迎从事因果科学、人工智能与复杂系统等相关研究领域，或对因果表征学习的理论与应用感兴趣的各界朋友报名参与。集智俱乐部已经组织三季“因果科学”读书会，形成了超过千人的因果科学社区，因果表征学习读书会是其第四季，现在加入读书会即可参与因果社区各类线上线下交流合作。

读书会摘要

 

因果表征学习，即从低水平的观察中发现高水平的因果变量。因果表征学习就是连接因果科学、机器学习与复杂系统的桥梁，解决因果表征学习及相关问题，就可以很好的将因果推断与机器学习结合起来，构建下一代更强大的AI。并且因果表征学习作为因果科学的前沿方法，与复杂系统中的因果涌现问题有异曲同工之妙，是研究复杂系统中涌现问题的重要方法之一，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。因果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，这也有望解决复杂系统中定量刻画涌现现象等问题。

读书会背景

 

近十年深度学习迅猛发展，但是仍有许多问题亟待解决，例如将知识迁移到新问题上的能力。许多关键问题都可以归结为OOD(out-of-distribution)问题。因为统计学习模型需要独立同分布(i.i.d.)假设，若测试数据与训练数据来自不同的分布，统计学习模型往往会出错。然而在很多情况下，i.i.d.的假设是不成立的。

表征学习(Representation Learning)是机器学习中的重要问题，良好的表征是机器学习算法成功的重要条件；正因如此，近十年来深度学习借助神经网络强大的表达能力、海量的数据以及强大的算力，自动地从数据中学习表征，取代了传统的人工制作的特征，取得了瞩目的成就。

因果推断所研究的正是这样的情形：如何学习一个可以在不同分布下工作、蕴含因果机制的因果模型 (Causal Model)，并使用因果模型进行干预或反事实推断。然而现实没有这么容易。因果模型往往处理的是结构化的数据，并不能处理机器学习中常见的高维的低层次的原始数据，例如图像。

自然地，是否会有一种方法可以将图像这样的原始数据转化为可用于因果模型的结构化变量，从而能将因果推断和深度学习的优势更好的结合起来？

因果表征学习应运而生，这是一个非常新兴且前沿的研究方向，也是机器学习和人工智能的基本问题之一，它在解决机器学习和人工智能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。

但同时也面临着很大的挑战，如何能更好的将因果关系和机器学习结合，将因果表征学习更好的应用于实际的复杂系统中，为具体的决策提供科学依据，构建下一代更通用的AI，是本次读书会中希望去探讨的重要问题。

图片来源@The DIKW Pyramid (Data, Information, Knowledge, Wisdom)

读书会概览

 

本次读书会围绕更好的梳理因果表征学习的相关问题出发，从因果表征学习的理论基础、技术框架，到因果表征学习最新的前沿应用，包括但不限于因果生成模型、因果可解释性、因果公平性等问题，以及因果在工业界中的具体的落地中去深度探讨，更好的梳理因果表征学习这个领域并促进相关的研究。

发起人团队介绍

 

李昊轩，北京大学大数据科学研究中心，数据科学 (统计学) 方向博士研究生。研究兴趣为因果推断与机器学习，推荐系统去偏与公平性，强化学习离轨策略的评估和学习，分布外泛化和数据融合问题等。获北京大学博士研究生校长奖学金，已在 ICLR、KDD、WWW、AAAI、IJCAI 等多个顶尖会议发表文章，现为NeurIPS、AAAI、WWW 等Program Committee members (PC)。

陆超超，剑桥大学机器学习组博士。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。

李奉治，中国科学院计算技术研究所博士生，主要研究方向为并行与分布式计算，以及因果科学在代码知识构建和算力系统调控中的应用。

龚鹤扬，中国科学技术大学统计学博士，研究方向是因果推断。目前就职于快手，研究推荐系统中因果推断的应用实践，专注将因果技术落地个性化激励场景。

报名参与读书会

 

本读书会适合参与的对象

• 基于因果科学与人工智能相关学科研究，对CausalAI，特别是CausalAI研究中的模型、方法有浓厚兴趣的一线科研工作者；

• 能基于读书会所列主题和文献进行深入探讨，可提供适合的文献和主题的朋友；

• 能熟练阅读英文文献，并对复杂科学充满激情，对世界的本质充满好奇的探索者；

• 想锻炼自己科研能力或者有出国留学计划的高年级本科生及研究生。

运行模式

本季读书会涉及5个模块，按暂定框架贯次展开，也会根据实际情况进行调整；

每周进行线上会议，由 1-2 名读书会成员以PPT讲解的形式领读相关论文，与会者可以广泛参与讨论，会后可以获得视频回放持续学习。

举办时间

• 从 2022 年 12 月 27 日开始，每周六晚上 20:00-22:00，持续时间预计10 周。我们也会对每次分享的内容进行录制，剪辑后发布在集智斑图网站上，供读书会成员回看，因此报名的成员可以根据自己的时间自由安排学习时间。

• 自活动举办后任一时间均可加入，在活动结束后加入将无法享受直播权益，其他权益不变。

参与方式

此次读书会为线上闭门读书会，采用的会议软件是腾讯会议（请提前下载安装）。在扫码完成报名并添加负责人微信后，负责人会将您拉入交流社区（微信群），入群后告知具体的会议号码。

报名方式

第一步：扫码填写报名信息。

第二步：填写信息后，付费299元。

第三步：添加负责人微信，拉入对应主题的读书会社区（微信群）。

本读书会可开发票，请联系相关负责人沟通详情。

针对学生的退费机制

读书会通过共学共研的机制，围绕前沿主题进行内容梳理和沉淀，所以针对于学生，可以通过参与共创任务，获取积分，积分达到退费标准之后，可以直接退费。

加入社区后可以获得的资源：

• 在线会议室沉浸式讨论：与主讲人即时讨论交流

• 交互式播放器高效回看：快速定位主讲人提到的术语、论文、大纲、讨论等重要时间点

• 高质量的主题微信社群：硕博比例超过80%的成员微信社区，闭门夜谈和交流

• 超多学习资源随手可得：从不同尺度记录主题下的路径、词条、前沿解读、算法、学者等

• 参与社区内容共创任务：读书会笔记、百科词条、公众号文章、论文解读分享等不同难度共创任务，在学习中贡献，在付出中收获

• 共享追踪主题前沿进展：在群内和公众号分享最新进展，领域论文速递

参与共创任务，共建学术社区：

• 读书会笔记：在交互式播放器上记录术语和参考文献

• 集智百科词条：围绕读书会主题中重要且前沿的知识概念梳理成词条。例如：
• 大规模人群模拟：观察集体愚蠢与集体智慧 | 集智百科
  
• 行为经济学：经济系统的行为主体是否理性？| 集智百科
  
• 网络可控性：结构可控性与最大匹配 | 集智百科
  

• 论文解读分享：认领待读列表中的论文，以主题报告的形式在社区分享

• 论文摘要翻译：翻译社区推荐论文中的摘要和图注

• 公众号文章：以翻译整理或者原创生产形式生产公众号文章，以介绍前沿进展。例如：
• 论文翻译
多者异也：破缺的对称性与科学层级结构的本质
诺奖委员会万字评述：为什么复杂系统研究受诺贝尔物理学奖青睐？
从生命起源到流行病：复杂系统中的多尺度涌现现象
• 科普文章翻译
涌现：21世纪科学的统一主题
从麦克斯韦妖到量子生物学，生命物质中是否潜藏着新物理学？
大脑热力学：利用“湍流”远离平衡态
• 讲座整理
张江：从图网络到因果推断，复杂系统自动建模五部曲
粗看长尾，细辨幂律：跨世纪的无标度网络研究纷争史

Erik Hoel：因果涌现理论怎样连通复杂系统的宏观与微观

PS：具体参与方式可以加入读书会后查看对应的共创任务列表，领取任务，与运营负责人沟通详情，上述规则的最终解释权归集智俱乐部所有。

读书会阅读材料

 

主题1：因果表征学习导论

1. Bernhard Schölkopf, Francesco Locatello, Stefan Bauer, Nan Rosemary Ke, Nal Kalchbrenner, Anirudh Goyal, Yoshua Bengio: Towards Causal Representation Learning. CoRR abs/2102.11107 (2021)

论文链接：https://arxiv.org/pdf/2102.11107.pdf

推荐语：这是第一篇因果表征学习的研究综述，很好地阐释了因果表征学习的基本问题、基础假设、技术框架、和未来可能的研究方向。

 

主题2：因果表征学习理论基础

独立成分分析

1. Ilyes Khemakhem, Diederik P. Kingma, Ricardo Pio Monti, Aapo Hyvärinen: Variational Autoencoders and Nonlinear ICA: A Unifying Framework. AISTATS 2020: 2207-2217

论文链接：http://proceedings.mlr.press/v108/khemakhem20a/khemakhem20a.pdf

推荐语：这是第一篇从独立成分分析理论的角度，探索解决变分自编码器中表征学习可识别性问题的论文，其证明的框架和思想启发了许多这个方向的研究。

2. Ilyes Khemakhem, Ricardo Pio Monti, Diederik P. Kingma, Aapo Hyvärinen:ICE-BeeM: Identifiable Conditional Energy-Based Deep Models Based on Nonlinear ICA. NeurIPS 2020

论文链接：https://proceedings.neurips.cc/paper/2020/file/962e56a8a0b0420d87272a682bfd1e53-Paper.pdf

推荐语：这是上一篇文章的理论扩展，主要是放宽其因果表征之间条件独立的假设，允许因果表征之间存在一定的结构，使其适用范围更广。

3. Luigi Gresele, Paul K. Rubenstein, Arash Mehrjou, Francesco Locatello, Bernhard Schölkopf:The Incomplete Rosetta Stone problem: Identifiability results for Multi-view Nonlinear ICA. UAI 2019: 217-227

论文链接：http://proceedings.mlr.press/v115/gresele20a/gresele20a.pdf

推荐语：这是独立成分分析理论的扩展，尝试从多视角数据或多环境数据中恢复隐含的数据表征。

独立因果机制

1. Siyuan Guo, Viktor Tóth, Bernhard Schölkopf, Ferenc Huszár:Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data. CoRR abs/2203.15756 (2022)

论文链接：https://arxiv.org/pdf/2203.15756.pdf

推荐语：这是第一篇在统计上为独立因果机制建立形式化定义的论文。

2. J Peters, N Meinshausen, Causal inference using invariant prediction: identification and confidence intervals. J. Royal Stat. Soc. Series B, 947–1012 (2016).

论文链接：https://arxiv.org/pdf/1501.01332v3.pdf

推荐语：这是第一篇将独立因果机制应用于不变性模型预测的论文，启发了包括不变风险最小化(Invariant Risk Minimization)在内的大量研究。

3. B Schölkopf, et al., On causal and anticausal learning in ICML. (2012).

论文链接：https://arxiv.org/ftp/arxiv/papers/1206/1206.6471.pdf

推荐语：这是第一篇分析思考机器学习和因果建模关系的论文，为后续因果机器学习的研究奠定了基础。这篇论文今年也获得了机器学习顶会ICML的时间检验奖荣誉提名(Test of Time Honorable Mention)。

稀疏因果机制偏移

1. Yoshua Bengio, Tristan Deleu, Nasim Rahaman, Nan Rosemary Ke, Sébastien Lachapelle, Olexa Bilaniuk, Anirudh Goyal, Christopher J. Pal:A Meta-Transfer Objective for Learning to Disentangle Causal Mechanisms. ICLR 2020

论文链接：https://arxiv.org/pdf/1901.10912.pdf

推荐语：这是第一篇从稀疏因果机制偏移假设出发，通过在不同分布变化数据上的学习速度，进行二元因果发现的论文。

2. Ronan Perry, Julius von Kügelgen, Bernhard Schölkopf:Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis. CoRR abs/2206.02013 (2022)

论文链接：https://arxiv.org/pdf/2206.02013.pdf

推荐语：这是利用稀疏因果机制偏移假设在异质环境中进行因果发现的论文。

主题3：因果表征学习技术框架

因果变量学习

1. Francesco Locatello, Stefan Bauer, Mario Lucic, Gunnar Rätsch, Sylvain Gelly, Bernhard Schölkopf, Olivier Bachem:Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations. ICML 2019: 4114-4124

论文链接：http://proceedings.mlr.press/v97/locatello19a/locatello19a.pdf

推荐语：这是第一篇从理论和大规模试验上证明了好的解耦表征学习需要归纳偏见和监督信息指导。这篇论文获得了机器学习顶会ICML 2019的最佳论文奖。

2. Raphael Suter, Ðorðe Miladinovic, Bernhard Schölkopf, Stefan Bauer:Robustly Disentangled Causal Mechanisms: Validating Deep Representations for Interventional Robustness. ICML 2019: 6056-6065

论文链接：http://proceedings.mlr.press/v97/suter19a/suter19a.pdf

推荐语：这篇论文提出了第一广泛使用的解耦表征的定义及其验证的程序。

因果机制学习

1. Giambattista Parascandolo, Niki Kilbertus, Mateo Rojas-Carulla, Bernhard Schölkopf:Learning Independent Causal Mechanisms. ICML 2018: 4033-4041

论文链接：http://proceedings.mlr.press/v80/parascandolo18a/parascandolo18a.pdf

推荐语：这篇论文提出一种基于专家竞争的方式来学习独立因果机制的算法。

2. Martín Arjovsky, Léon Bottou, Ishaan Gulrajani, David Lopez-Paz:Invariant Risk Minimization. CoRR abs/1907.02893 (2019)

论文链接：https://arxiv.org/pdf/1907.02893.pdf

推荐语：这篇论文从独立因果机制不变性的角度，提出了一种新的学习范式，从多环境数据中学习具有分布不变性的因果表征。

因果结构学习

1. Yunzhu Li, Antonio Torralba, Anima Anandkumar, Dieter Fox, Animesh Garg:Causal Discovery in Physical Systems from Videos. NeurIPS 2020

论文链接：https://proceedings.neurips.cc/paper/2020/file/6822951732be44edf818dc5a97d32ca6-Paper.pdf

推荐语：这篇论文提出了一种从视频数据中进行因果发现的框架。

2. Weiran Yao, Yuewen Sun, Alex Ho, Changyin Sun, Kun Zhang:Learning Temporally Causal Latent Processes from General Temporal Data. ICLR 2022

论文链接：https://arxiv.org/pdf/2110.05428.pdf

推荐语：这篇论文提出了一种从观测的时序数据中识别潜在因果过程的方法，并且该方法具有可识别性理论保证。

主题4：因果表征学习在机器学习中的应用

因果推断

1. Johansson, Fredrik, Uri Shalit, and David Sontag. “Learning representations for counterfactual inference.” In International conference on machine learning, pp. 3020-3029. PMLR, 2016.

论文链接：http://proceedings.mlr.press/v48/johansson16.pdf

推荐语：这是第一篇基于深度表征学习对治疗组和对照组协变量进行筛选和表征，从而预测缺失的潜在结果的文章，并且在线性假设下证明了估计的条件平均因果效应的泛化误差界。

2. Shalit, Uri, Fredrik D. Johansson, and David Sontag. “Estimating individual treatment effect: generalization bounds and algorithms.” In International Conference on Machine Learning, pp. 3076-3085. PMLR, 2017

论文链接：https://arxiv.org/pdf/1606.03976.pdf

推荐语：这是上一篇文章的理论扩展，其中给出了一个新的、简单的、直观的泛化误差界，表明一个表征的预期ITE估计误差由该表征的标准泛化误差和该表征所诱导的治疗和对照组分布之间的距离之和所约束。

3. Yao, Liuyi, Sheng Li, Yaliang Li, Mengdi Huai, Jing Gao, and Aidong Zhang. “Representation learning for treatment effect estimation from observational data.” Advances in Neural Information Processing Systems 31 (2018).

论文链接：https://par.nsf.gov/servlets/purl/10123149

推荐语：这篇文章提出了一种基于深度表征学习的局部相似性保留个体治疗效应（SITE）的估计方法，主要思想是在平衡控制组和治疗组的分布的基础上，对ITE估计提供有意义约束的局部相似性信息。

4. Hassanpour, Negar, and Russell Greiner. “CounterFactual Regression with Importance Sampling Weights.” In IJCAI, pp. 5880-5887. 2019.

论文链接：https://www.ijcai.org/proceedings/2019/0815.pdf

推荐语：这篇文章将因果表征学习和重加权方法进行了有效结合，提出了一个建立在表征学习模块之上的上下文感知的重要性抽样重加权方案，用于估计ITE。

5. Hassanpour, Negar, and Russell Greiner. “Learning disentangled representations for counterfactual regression.” In International Conference on Learning Representations. 2019.

论文链接：https://openreview.net/pdf?id=HkxBJT4YvB

推荐语：考虑到只有一些基于观察到的协变量X的因素有助于选择治疗T，只有一些因素有助于确定结果Y，这篇文章提出了一种新算法来对观察变量进行解藕：(1)从任何给定的观察数据集D中识别上述基本因素的分解表示；(2)利用这种知识来减少选择偏差对估计D中治疗效果的负面影响。

6. Schwab, Patrick, Lorenz Linhardt, and Walter Karlen. “Perfect match: A simple method for learning representations for counterfactual inference with neural networks.” arXiv preprint arXiv:1810.00656 (2018).

论文链接：https://arxiv.org/pdf/1810.00656.pdf

推荐语：这篇文章提出了Perfect Match(PM)，将之前专注于二值处理变量的方法推广到了多值处理变量，其易于实现，与任何结构兼容，不增加计算复杂性或超参数，并可扩展到任何数量的治疗。

因果生成模型

1. Louizos, Christos, Uri Shalit, Joris M. Mooij, David Sontag, Richard Zemel, and Max Welling. “Causal effect inference with deep latent-variable models.” Advances in neural information processing systems 30 (2017).

论文链接：https://papers.nips.cc/paper/2017/file/94b5bde6de888ddf9cde6748ad2523d1-Paper.pdf

推荐语：这篇文章首次基于变分自编码器（VAE），同时估计混杂因素和因果效应的未知潜空间，从而估计ITE。

2. Yoon, Jinsung, James Jordon, and Mihaela Van Der Schaar. “GANITE: Estimation of individualized treatment effects using generative adversarial nets.” In International Conference on Learning Representations. 2018.

论文链接：https://openreview.net/pdf?id=ByKWUeWA-

推荐语：这篇文章提出了一种基于生成对抗网（GANs）框架的新方法来推断ITE，称为用于推断个体化治疗效果的生成对抗网（GANITE），其动机是我们可以通过尝试使用GAN学习反事实分布来捕捉其不确定性。

3. Bica, Ioana, James Jordon, and Mihaela van der Schaar. “Estimating the effects of continuous-valued interventions using generative adversarial networks.” Advances in Neural Information Processing Systems 33 (2020): 16434-16445.

论文链接：https://proceedings.neurips.cc/paper/2020/file/bea5955b308361a1b07bc55042e25e54-Paper.pdf

推荐语：这是上一篇文章的算法扩展，对于连续值干预措施（如与剂量参数相关的治疗），通过对生成对抗网络（GANs）框架的修改，能够同时估计几种不同的连续干预的反事实结果。

4. Zhang, Weijia, Lin Liu, and Jiuyong Li. “Treatment effect estimation with disentangled latent factors.” In Proceedings of the AAAI Conference on Artificial Intelligence, vol. 35, no. 12, pp. 10923-10930. 2021.

论文链接：https://www.aaai.org/AAAI21Papers/AAAI-155.ZhangW.pdf

推荐语：这篇文章提出从观察到的变量中同时推断出相关因素，将这些因素分解成三个不相干的集合，分别对应于工具因素、混杂因素和风险因素，并使用这些分解的因素进行治疗效果估计。

因果公平性

1. Kusner, Matt J., Joshua Loftus, Chris Russell, and Ricardo Silva. “Counterfactual fairness.” Advances in neural information processing systems 30 (2017).

论文链接：https://proceedings.neurips.cc/paper/2017/file/a486cd07e4ac3d270571622f4f316ec5-Paper.pdf

推荐语：这篇文章首次提出“反事实公平性”的概念，利用因果推理的工具开发了一个公平性建模的框架：如果一个决定在(a)实际世界和(b)个人属于不同人口群体的反事实世界中是相同的，那么这个决定对一个人就是公平的。

2. Nabi, Razieh, and Ilya Shpitser. “Fair inference on outcomes.” In Proceedings of the AAAI Conference on Artificial Intelligence, vol. 32, no. 1. 2018.

论文链接：https://arxiv.org/pdf/1705.10378.pdf

推荐语：这篇文章认为歧视的存在可以以一种合理的方式被形式化，即敏感的协变量对结果的影响沿着某些因果途径存在，这一观点是对（Pearl 2009）的概括，然后可以通过解决一个受限的优化问题来学习一个公平的结果模型。

3. Chiappa, Silvia. “Path-specific counterfactual fairness.” In Proceedings of the AAAI Conference on Artificial Intelligence, vol. 33, no. 01, pp. 7801-7808. 2019.

论文链接：https://arxiv.org/pdf/1802.08139.pdf

推荐语：这篇文章进一步考虑了从数据中学习公平决策系统的问题，其中一个敏感的属性可能会影响到公平和不公平途径的决策，并引入了一种反事实的方法来降低不公平途径上的影响。

4. Wu, Yongkai, Lu Zhang, Xintao Wu, and Hanghang Tong. “Pc-fairness: A unified framework for measuring causality-based fairness.” Advances in Neural Information Processing Systems 32 (2019).

论文链接：https://proceedings.neurips.cc/paper/2019/file/44a2e0804995faf8d2e3b084a1e2db1d-Paper.pdf

推荐语：这篇文章开发了一个测量不同的基于因果关系的公平性的框架，提出了一个统一的定义，涵盖了以前大多数基于因果关系的公平性概念，即特定路径的反事实公平性（PC公平性）。

5. Kilbertus, Niki, Mateo Rojas Carulla, Giambattista Parascandolo, Moritz Hardt, Dominik Janzing, and Bernhard Schölkopf. “Avoiding discrimination through causal reasoning.” Advances in neural information processing systems 30 (2017).

论文链接：https://proceedings.neurips.cc/paper/2017/file/f5f8590cd58a54e94377e6ae2eded4d9-Paper.pdf

推荐语：这篇文章指出观察性标准虽然方便使用，但有严重的内在局限性，使它们无法最终解决公平问题。基于此，本文提出了自然的因果非歧视性标准，并开发了满足这些标准的算法。

因果强化学习

1. Bareinboim, Elias, Andrew Forney, and Judea Pearl. “Bandits with unobserved confounders: A causal approach.” Advances in Neural Information Processing Systems 28 (2015).

论文链接：https://proceedings.neurips.cc/paper/2015/file/795c7a7a5ec6b460ec00c5841019b9e9-Paper.pdf

推荐语：这篇文章提出了一个赌博机 Agents 应该追求的优化指标（同时采用实验分布和观察分布），并阐释了其相较于传统算法的优势。

2. Biwei Huang, Fan Feng, Chaochao Lu, Sara Magliacane, Kun Zhang. “AdaRL: What, Where, and How to Adapt in Transfer Reinforcement Learning.” International Conference on Learning Representation (2022).

论文链接：https://arxiv.org/abs/2107.02729

推荐语：这篇文章提出了一个理论保证的适应性RL框架，称为AdaRL，利用一种简明的图形表示法来描述RL系统中各变量的结构关系，它可以可靠而有效地适应来自目标领域的少数样本的变化，即使是在部分可观察的环境中。

3. De Haan, Pim, Dinesh Jayaraman, and Sergey Levine. “Causal confusion in imitation learning.” Advances in Neural Information Processing Systems 32 (2019).

论文链接：https://proceedings.neurips.cc/paper/2019/file/947018640bf36a2bb609d3557a285329-Paper.pdf

推荐语：本文指出，由于模仿学习中存在分布偏移(distributional shift)，忽略因果会导致破坏性的后果，特别是会出现一种反直觉的“因果错误识别(causal misidentification)”现象：数据越多，效果反而越差。本文研究了这个问题出现的原因，并提出了一种通过定向干预(targeted interventions)——基于环境互动或专家询问——来决定正确因果模型的方法，从而避免这种问题出现。

4. Bottou, Léon, Jonas Peters, Joaquin Quiñonero-Candela, Denis X. Charles, D. Max Chickering, Elon Portugaly, Dipankar Ray, Patrice Simard, and Ed Snelson. “Counterfactual Reasoning and Learning Systems: The Example of Computational Advertising.” Journal of Machine Learning Research 14, no. 11 (2013).

论文链接：https://www.jmlr.org/papers/volume14/bottou13a/bottou13a.pdf

推荐语：本文工作展示了如何利用因果推断来理解复杂学习系统的和环境交互的行为，以及预测系统变化产生的后果。这种预测允许人类和算法来选择可以提升系统性能的改变。

5. Buesing, Lars, Theophane Weber, Yori Zwols, Sebastien Racaniere, Arthur Guez, Jean-Baptiste Lespiau, and Nicolas Heess. “Woulda, coulda, shoulda: Counterfactually-guided policy search.” arXiv preprint arXiv:1811.06272 (2018).

论文链接：https://arxiv.org/pdf/1811.06272.pdf

推荐语：本文提出了反事实引导策略搜索(CF-GPS)算法， 从 off-policy 经验中学习部分可观测马尔可夫决策过程(POMDPs)中的策略，利用结构因果 模型对off-policy 的某个回合(episodes)的可能策略进行反事实评估。

6. Pitis, Silviu, Elliot Creager, and Animesh Garg. “Counterfactual data augmentation using locally factored dynamics.” Advances in Neural Information Processing Systems 33 (2020): 3976-3990.

论文链接：https://proceedings.neurips.cc/paper/2020/file/294e09f267683c7ddc6cc5134a7e68a8-Paper.pdf

推荐语：本文通过引入局部因果模型(LCMs)，提出了一种基于面向对象状态表示的推断结构的方法，以及一种新的反事实数据增强算法(CoDA)。

7. Dietterich, Thomas, George Trimponias, and Zhitang Chen. “Discovering and removing exogenous state variables and rewards for reinforcement learning.” In International Conference on Machine Learning, pp. 1262-1270. PMLR, 2018.

论文链接：http://proceedings.mlr.press/v80/dietterich18a/dietterich18a.pdf

推荐语：这篇文章将外生状态的变量和奖励形式化，并且确定了具有外生状态的MDP（马尔科夫决策过程）可以被分解为只包含了一个外生状态＋奖励的外生马尔可夫奖励过程，和一个仅针对内生奖励定义的内生马尔可夫决策过程的条件。

8. Zhang, Amy, Clare Lyle, Shagun Sodhani, Angelos Filos, Marta Kwiatkowska, Joelle Pineau, Yarin Gal, and Doina Precup. “Invariant causal prediction for block mdps.” In International Conference on Machine Learning, pp. 11214-11224. PMLR, 2020.

论文链接：http://proceedings.mlr.press/v119/zhang20t/zhang20t.pdf

推荐语：这篇文章利用因果推理中的工具，提出了一种不变性预测的方法来学习模型无关状态抽象(MISA)，这种抽象在多环境设置下可以推广到新的观测数据中。

主题5：因果表征学习在工业场景中的应用

因果推荐系统

1. Wu, Peng, Haoxuan Li, Yuhao Deng, Wenjie Hu, Quanyu Dai, Zhenhua Dong, Jie Sun, Rui Zhang, and Xiao-Hua Zhou. “On the opportunity of causal learning in recommendation systems: Foundation, estimation, prediction and challenges.” In Proceedings of the International Joint Conference on Artificial Intelligence, Vienna, Austria, pp. 23-29. 2022.

论文链接：https://www.ijcai.org/proceedings/2022/0787.pdf

推荐语：这篇文章提供了一个正式的因果分析框架来综述和统一现有的因果启发的推荐方法，它可以适应推荐系统中不同的场景。此外，这篇文章提出了一个新的分类法，并从违反因果假设的角度给出了推荐系统中各种偏差的正式因果定义。

2. Gao, Chen, Yu Zheng, Wenjie Wang, Fuli Feng, Xiangnan He, and Yong Li. “Causal Inference in Recommender Systems: A Survey and Future Directions.” arXiv preprint arXiv:2208.12397 (2022).

论文链接：https://arxiv.org/pdf/2208.12397.pdf

推荐语：这篇综述根据因果推理所解决的问题的分类法，全面回顾了现有的基于因果推理的推荐工作。

 

因果自然语言处理

1. Keith, Katherine A., David Jensen, and Brendan O’Connor. “Text and causal inference: A review of using text to remove confounding from causal estimates.” arXiv preprint arXiv:2005.00649 (2020).

论文链接：https://arxiv.org/pdf/2005.00649.pdf

推荐语：这是一篇因果自然语言处理的研究综述，很好地阐释了因果自然语言处理的基本问题、任务分类、技术框架、和未来可能的研究方向。

   

因果科学社区简介

因果科学社区由智源社区、集智俱乐部共同推动，面向因果科学领域的垂直型学术讨论社区，目的是促进因果科学专业人士和兴趣爱好者们的学习、交流和合作，推进因果科学学术、产业生态的建设和落地，孕育新一代因果科学领域的学术专家和产业创新者。

集智俱乐部已经组织三季“因果科学”读书会，形成了超过千人的因果科学社区。第一季因果科学与Causal AI读书会梳理了因果科学的整体框架，形成因果科学的全局索引地图；第二季读书会进一步深入细节，从基础知识及基本技能建立因果科学的计算框架，搭建因果推理与实际研究的桥梁；在此基础上，第三季读书会致力于探究因果研究范式，真正解决多学科领域的因果问题。因果表征学习读书会是第四季。加入任意一季读书会即可加入因果社区。

关于举办方和集智俱乐部读书会

 

主办方：集智俱乐部

协办方：集智学园

集智俱乐部成立于 2003 年，是一个从事学术研究、享受科学乐趣的探索者的团体，也是国内最早的研究人工智能、复杂系统的科学社区。它倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的“没有围墙的研究所”。

集智学园成立于2016年，是集智俱乐部孕育的创业团队。集智学园致力于传播复杂性科学、人工智能等前沿知识和新兴技术，促进、推动复杂科学领域的知识探索与生态构建。

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 50 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、高阶网络等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如：2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》，2020年的开始因果科学读书会孕育了全国最大的因果科学社区等。

加入集智VIP，即可解锁集智全站课程、读书会。详见：

集智学园2022年费VIP开启，与5000+集智社区成员一起探索复杂性！

点击“阅读原文”，报名读书会