导语


近日，马克斯·普朗克智能系统中心主任 Bernhard Schölkopf 在国际数学家大会进行了题为 From Statistical to Causal Learning 的报告，建立和理解人工智能系统的基本研究思路：从通过统计学习的符号方法到依靠因果关系概念的干预模型。12月31日（本周六）20:00-22:00，在集智俱乐部因果表征学习读书会第一期，北京大学李昊轩博士将结合 From Statistical to Causal Learning 和 Towards Causal Representation Learning，讲解因果推断和机器学习的内在联系，介绍该领域的研究现状和公开问题。


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。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。






分享内容简介



 
近日，马克斯·普朗克智能系统中心主任 Bernhard Schölkopf 在国际数学家大会（International Congress of Mathematicians，ICM）进行了45分钟题为《From Statistical to Causal Learning》的报告，建立和理解人工智能系统的基本研究思路：从通过统计学习的符号方法到依靠因果关系概念的干预模型。机器学习和人工智能的一些难题与因果关系有内在联系，其进展可能需要我们在理解如何从数据中建模和推断因果关系方面取得进展。在本次报告中，北京大学李昊轩博士将结合《From Statistical to Causal Learning》和《Towards Causal Representation Learning》讲解因果推断和机器学习的内在联系，并介绍该领域的研究现状和公开问题。




分享内容大纲



 

  • 引言 Preliminaries

    • 统计学习理论 Statistical Learning Theory

    • 从统计学到因果模型 From Statistical to Causal Models

    • 因果建模框架 Causal Modeling Frameworks

    • 独立因果机制 Independent Causal Mechanisms

    • 因果建模层级 Levels of Causal Modeling

  • 因果发现 Causal Discovery

  • 对机器学习的意义 Implications for Machine Learning

    • 半监督学习 Semi-Supervised Learning

    • 不变性和鲁棒性 Invariance and Robustness

  • 因果推断 Causal Reasoning

  • 研究现状和公开问题 Current Research and Open Problems





主要涉及到的知识概念



 

  • 因果推断 Causal Inference

  • 因果发现 Causal Discovery

  • 因果表征学习 Causal Representation Learning

  • 独立因果机制 Independent Causal Mechanisms

  • 半监督学习 Semi-Supervised Learning

  • 不变性和鲁棒性 Invariance and Robustness




主讲人介绍



 
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)。




主要涉及到的参考文献



 

[1]  B. Schölkopf and J. von Kügelgen, ‘From Statistical to Causal Learning’. arXiv, Apr. 01, 2022. doi: 10.48550/arXiv.2204.00607.

这篇文章建立和理解人工智能系统的基本研究思路：从通过统计学习的符号方法到依靠因果关系概念的干预模型。

[2]  B. Schölkopf et al., ‘Towards Causal Representation Learning’. arXiv, Feb. 22, 2021. doi: 10.48550/arXiv.2102.11107.

这篇文章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。





本次分享与读书会主题之间的关系



 

  • 与读书会之间的关系：本次主讲内容与因果科学主题密切相关，将综述因果表征学习的基本理论，讲解因果推断和机器学习的内在联系，介绍其对机器学习领域（如半监督学习、不变性和鲁棒性等）的重要意义，并总结该领域的研究现状和公开问题。

  • 与复杂系统之间的关系：因果表征学习是连接因果科学、机器学习与复杂系统的桥梁，作为因果科学的前沿方法，与复杂系统中的因果涌现关系密切：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。




直播信息



 
时间：
2022年12月31日（本周六）晚上20:00-22:00

参与方式：
扫码参与因果科学第四季读书会，加入群聊，获取系列读书会回看权限，成为因果科学社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动因果科学社区的发展。


因果科学读书会第四季启动


因果科学读书会第四季主要围绕因果表征学习引论、理论基础、技术框架，以及在机器学习领域和在工业界中的具体的应用进行深度探讨，系统梳理因果表征学习领域并促进相关的研究。自2022年12月31日开始，每周六晚上20:00-22:00举办，持续时间预计 10 周。欢迎对本话题感兴趣的朋友报名参加！（附第四季资源列表）



详情请见：
连接因果科学与深度学习的桥梁：因果表征学习读书会启动


点击“阅读原文”，报名读书会