导语


因果推断在许多领域都有大量的实际应用，如医疗保健、市场营销、政治科学和在线广告。治疗效果估计作为因果推断中的一个基本问题，在统计学中已经被广泛研究了几十年。然而，传统的治疗效果估计方法可能不能很好地处理大规模和高维的异质数据。近年来，一个新兴的研究方向在广泛的人工智能领域引起了越来越多的关注，它结合了传统治疗效果估计方法（如匹配估计器）和先进的表示学习方法（如深度神经网络）的优点。在本次讨论中，我们将介绍用于治疗效果估计的传统和最先进的表示学习算法。此外，还将介绍有关因果推断、反事实和匹配估计器的背景。我们还将展示这些方法在不同应用领域的应用与前景。


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！






与读书会整体的主题之间的关系



 

  • 与读书会之间的关系：本次主讲内容与因果推断和表征学习主题密切相关，结合传统治疗效果估计方法（如匹配估计器）和先进的表示学习方法（如深度神经网络）的优点，对前沿因果表征学习方法进行综述和讨论。对于用于因果推断的子空间学习，我们将分别介绍基于随机子空间、信息化子空间、和均衡和非线性子空间的方法。对于用于因果推断的深度表征学习，我们将分别介绍均衡表征学习、基于局部相似性的方法、和基于深度生成模型的方法。


  • 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。





主要涉及到的知识概念




  • 因果推断 Causal Inference

  • 深度表征学习 Deep Representation Learning

  • 深度生成模型 Deep Generative Model

  • 均衡表征学习 Balanced Representation Learning

  • 子空间学习 Subspace Learning





分享简介



 
  • 参考文献：
  • 具体的解读信息：本次分享参考 AAAI 2020 Tutorial《Representation Learning for Causal Inference》和论文《A Survey on Causal Inference》进行解读。

  • 本次主讲内容与因果推断和表征学习主题密切相关，结合传统治疗效果估计方法（如匹配估计器）和先进的表示学习方法（如深度神经网络）的优点，对前沿因果表征学习方法进行综述和讨论。对于用于因果推断的子空间学习，我们将分别介绍基于随机子空间、信息化子空间、和均衡和非线性子空间的方法。对于用于因果推断的深度表征学习，我们将分别介绍均衡表征学习、基于局部相似性的方法、和基于深度生成模型的方法。




分享大纲




  • 因果推断背景 Background on Causal Inference
  • 传统因果推断方法 Classical Causal Inference Methods
  • 用于因果推断的子空间学习 Subspace Learning for Causal Inference
  • 随机子空间 Random Subspaces
  • 信息化子空间 Informative Subspace
  • 均衡和非线性子空间 Balanced and Nonlinear Subspace
  • 用于因果推断的深度表征学习 Deep Representation Learning for Causal Inference
  • 均衡表征学习 Balanced Representation Learning
  • 基于局部相似性的方法 Local Similarity Preserving Based Methods
  • 基于深度生成模型的方法 Deep Generative model Based Methods
  • 应用 Applications
  • 总结和未来展望 Conclusions and Future Perspectives




主持人简介




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，CCF会员、IEEE会员、ACM会员。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、KDD、WWW、AAAI、IJCAI 等Program Committee members (PC)。

参考文献
[1] Sheng Li, Liuyi Yao, Yaliang Li, Jing Gao and Aidong Zhang, Representation Learning for Causal Inference, the Thirty-Fourth AAAI Conference on Artificial Intelligence, Tutorial, (AAAI 2020).
[2] Liuyi Yao, Zhixuan Chu, Sheng Li, Yaliang Li, Jing Gao, Aidong Zhang. A Survey on Causal Inference. ACM Transactions on Knowledge Discovery from Data (TKDD)






直播信息



 
时间：
2023年2月11日（本周六）晚上19:00-21:00

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