开通VIP，畅享免费电子书等14项超值服
首页
好书
留言交流
下载APP
联系客服
2021.03.03
作者：蔡心宇审校：龚鹤扬陆超超
为了回答这些问题，让我们从表征学习说起。表征学习RepresentationLearning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。由深度学习三巨头之二的YoshuaBengio和YannLeCun牵头创办的深度学习顶会，即命名为国际学习表征会议InternationalConferenceonLearningRepresentations，足见表征学习的重要性。
尽管深度学习在近十年极大地推动了机器学习的发展，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，而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(CausalModel)，并使用因果模型进行干预或反事实推断。
如果说微分方程是对物理系统全面详尽的表述，那么统计模型(StatisticalModel)可被看作表面的粗糙的描述。它无法预测干预的效果，但是的优点在于通常可以从观察数据中学习，而前者通常需要专家来提出。因果建模则存在于这两个极端之间，它期望能够像物理模型一样预测干预的效果，但同时可以在一些假设下，通过数据驱动的方法找到这样的模型，来取代专家知识。
因果科学与CausalAI读书会
1.Pearl,Judea,MadelynGlymour,andNicholasP.Jewell.Causalinferenceinstatistics:Aprimer.JohnWiley&Sons,2016.（本书中译版《统计因果推理入门（翻译版）》已由高等教育出版社出版）
2.Peters,Jonas,DominikJanzing,andBernhardSchlkopf.Elementsofcausalinference:foundationsandlearningalgorithms.TheMITPress,2017.