因果学习理论基石: 独立成分分析 | 周六直播·因果表征学习读书会
导语
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
分享内容简介
分享简介
分享内容大纲
分享内容大纲
-
ICA的意义 Why ICA?
-
因果发现,解耦,无监督学习 Causal discovery, disentanglement, and unsupervised learning
-
线性ICA Linear ICA
-
避免传统假设 Avoid traditional assumptions
-
从线性到非线性 Extension from linear ICA to nonlinear ICA
-
非线性ICA的意义 Why nonlinear ICA? -
挑战 – 可识别性 Challenges – Identifiability -
源分布假设 Constraints on the distribution of sources
-
辅助变量 Auxiliary variables
-
混合过程假设 Constraints on the mixing process
-
函数类型 Algebraic functional form -
结构化系数 Structural sparsity
主要涉及到的知识概念
主要涉及到的知识概念
-
独立成分分析 Independent Component Analysis
-
因果发现 Causal Discovery
-
因果表征学习 Causal Representation Learning
-
无监督学习 Unsupervised Learning
-
解耦 Disentanglement
-
隐变量模型 Latent Variable Models
主讲人介绍
主讲人介绍
主要涉及到的参考文献
主要涉及到的参考文献
Comon, Pierre. “Independent component analysis, a new concept?.” Signal processing 36.3 (1994): 287-314.
Hyvärinen, Aapo, and Petteri Pajunen. “Nonlinear independent component analysis: Existence and uniqueness results.” Neural networks 12.3 (1999): 429-439.
Hyvarinen, Aapo, Hiroaki Sasaki, and Richard Turner. “Nonlinear ICA using auxiliary variables and generalized contrastive learning.” The 22nd International Conference on Artificial Intelligence and Statistics. PMLR, 2019.
Zheng, Yujia, Ignavier Ng, and Kun Zhang. “On the Identifiability of Nonlinear ICA: Sparsity and Beyond.” Advances in Neural Information Processing Systems. 2022
本次分享与读书会主题之间的关系
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,将概览独立成分分析的问题定义,介绍其对因果科学以及机器学习的重要意义,并总结该研究现状和公开问题,侧重于探讨该领域最新方法与思路。 -
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
直播信息
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)