因果推断学习——人工智能前沿讲习资料整理

为啥要做

在平安实习时候,部门领导想听,获取idea

相关的一些描述

人类现存的知识大部分以因果形式存在,当下的人工智能展现基于统计相关的智能,那么世界本身究竟以因果存在还是概率存在就很重要了,显然,人工智能掌握因果推理才能打破目前的天花板 (不知道是谁说的)

此为何物

可解释?对深度学习的助力?

一些Keywords

 causal reasoning, causal AI, explainability

一个大佬

Mingming Gong  墨尔本大学的,个人主页在这里https://mingming-gong.github.io/,研究兴趣很有意思:

  • Causal Reasoning: Causal Discovery, Causal Effect Estimation

  • Causality-Inspired Machine Learning: Transfer Learning, Deep Learning, Robust Learning, Fair Learning

  • Computer Vision, Bioinformatics, Financial Analysis

一个巨佬

Judea Peral 认识世界分三个层次:

  • 最低的是关联,只需要观察就好,例如那些症状告诉医生这个人患病了,那些行为告诉我这个人容易被促销打动;
  • 再上一层是干预,也就是去通过行为去改变世界之后,看会发生什么,这个层次要回答的问题是吃药能不能治病;
  • 而最高的层次是反事实的推理,要达到这一层,需要想象力,需要反思,要回答的问题是如果我之前多一些锻炼,现在是不是就不会生病。

 

它能做什么 它当下不能做什么 若干方向   相关关联

比如和知识图谱的关联就是

最新问题

 

若干资料

文本和因果推断的文献综述 Text and Causal Inference: A Review of Using Text to Remove Confounding from Causal Estimates https://arxiv.org/pdf/2005.00649.pdf

因果推断在自然语言处理上的挑战 Challenges of Using Text Classifiers for Causal Inference https://arxiv.org/pdf/1810.00956.pdf

因果推理和监督学习的统一概念框架:两者并不是对立的 https://www.jiqizhixin.com/articles/2018-05-30-6

专知上的因果推断的专题 NeurIPS 2020必读的六篇因果推理(Causal Inference)相关论文——Covid-19传播因果分析、反事实概率方法、因果图发现、因果模仿学习、弱监督语义分割、不确定性因果效应 https://www.zhuanzhi.ai/document/4f33ced4cc83ec7e40a74138458d65da

ICLR 2021的七篇 ICLR 2021【因果推理】相关投稿论文 https://zhuanzhi.ai/document/f71cf30b8219d41b18973557df5113bd

上一篇:odoo Botton标签属性详解


下一篇:Discovery of Causal Time Intervals.