分享内容简介

分享简介

• 参考文献：这是综述or论文解读？主要讲解的文章？（对文章内容的体系）
• 具体的解读信息：本次分享由第一作者讲解《Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data》。
• 本次报告描述建立和理解人工智能系统的基本研究思路：从观察数据中学习因果结构，通常假设我们观察到独立且同分布的数据。传统方法旨在找到一种因果结构使得该因果结构所含有的条件独立性与所观察到的数据分布中含有的条件独立性重合。在独立且同分布的数据假设下，已知即使有无限数据，我们只能识别到一类因果结构而不能识别到单个因果结构。为了克服这一限制，最近有很多工作探索了使用来自多环境的数据来学习更丰富的因果结构。这些方法隐性地依赖于独立因果机制 (ICM) 原则，该原则假定在给定原因的情况下产生结果的机制与产生原因的机制不会相互通知或影响。因此，因果模型的组件可以独立地随环境而变化。尽管它在机器学习和因果推理中有广泛的应用，但缺乏一个统计的定义。在这里，我们将主要讲解Causal de Finetti 定理：从它如何从统计概率的角度定义独立因果机制原理，到如何可以利用这一定理从可交换数据中识别单个的因果结构。希望通过此次讨论可以让科学社区看到独立且同分布数据在现实应用中的局限性，和探讨开发机器学习算法适用于非独立且同分布数据的可能性，如多环境和可交换数据。

分享内容大纲

• 引言 Preliminaries

• 贝叶斯推断 Bayesian Inference

• 因果建模框架 Causal Modeling Frameworks

• 独立因果机制 Independent Causal Mechanism

• 可交换数据 Exchangeable Data

• de Finetti 定理 de Finetti Theorem

• 因果发现 Causal Discovery

• Causal de Finetti 定理 Causal de Finetti Theorem

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

主要涉及到的知识概念

• 因果发现 Causal Discovery

• 独立因果机制 Independent Causal Mechanisms

• 贝叶斯推断 Bayeisan Inference

• 可交换数据 Exchangeable Data

• de Finetti 定理 de Finetti Theorem

• Causal de Finetti 定理 Causal de Finetti Theorem

主讲人介绍

主要涉及到的参考文献

[1] S. Guo, V. Tóth, B. Schölkopf, and F. Huszár, ‘Causal de Finetti: On the Identification of Invariant Causal Structure in Exchangeable Data’. arXiv, Nov. 30, 2022.

本次分享与读书会主题之间的关系

与读书会之间的关系：本次主讲内容将探讨统计概率学与因果科学的交叉，将综述因果发现在传统的独立同分布数据中是如何实现的，讲解独立因果机制和机器学习的内在联系及重要意义，以及探讨如何让现有的机器学习方法不依赖于传统的独立同分布数据，而是可以延伸到更广义且更接近实际情况的非独立同分布数据，其中我们将着重讨论可交换数据和多环境数据。

直播信息

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）

本篇文章来源于微信公众号: 集智俱乐部