因果关系的深度学习
建模功能的关系
学习图上的分布
表征是学习特征的丰富组成
潜在的因果变量
深度学习的因果关系
为什么DL有因果关系
DL中因果学习的基准
DL中因果学习的目标和架构
利用因果关系的概念来帮助DL
讲者:
Nan Rosemary Ke是Deepmind的一名研究科学家,她的研究兴趣是建立模型,通过理解因果关系来概括变化的任务和环境。在加入Deepmind之前,她是Mila的博士生,由Yoshua Bengio和Chris Pal担任导师。她还获得了Facebook奖学金,并在2020年被评为机器学习领域的一颗后起之星。Rosemary的研究兴趣结合了深度学习和因果关系的见解;她一直致力于建立能够充分理解因果关系的模型,以推断因果变量之间的联系以及干预对它们的影响。她的研究成果已在各大会议(NeurIPS, ICML, ICLR)上发表。
Stefan Bauer是斯德哥尔摩KTH的助理教授和CIFAR Azrieli全球学者。通过使用和开发因果关系、深度学习和真实机器人系统的工具,他的研究聚焦于人工智能的长期目标,即设计能够跨环境和任务推断经验的机器。他在苏黎世联邦理工学院获得计算机科学博士学位,并因杰出博士论文被授予苏黎世联邦理工学院奖章。在此之前,他毕业于苏黎世联邦理工学院(ETH Zurich),获得数学学士学位和理学硕士学位,以及伦敦大学(LSE)的经济学和金融学学士学位。在学习期间,他获得了瑞士和德国国家功绩基金会的奖学金。2019年,他获得了机器学习国际会议(ICML)的最佳论文奖,2020年,他是云端机器人挑战real-robot-challenge.com的主要组织者。
Michael Ahn et al. "Do as i can, not as i say: Grounding language in robotic affordances." arXiv preprint arXiv:2204.01691 (2022).
Kartik Ahuja, Jason Hartford, and Yoshua Bengio. "Properties from mechanisms: an equivariance perspective on identifiable representation learning." NeurIPS (2021).
Martin Arjovsky et al. "Invariant risk minimization." arXiv preprint arXiv:1907.02893 (2019).
Ossama Ahmed, Frederik Träuble, Anirudh Goyal, Alexander Neitz, Yoshua Bengio, Bernhard Schölkopf, Manuel Wüthrich, and Stefan Bauer. Causalworld: A robotic manipulation benchmark for causal structure and transfer learning, ICLR, 2021.
Sara Beery, Grant Van Horn, and Pietro Perona. "Recognition in terra incognita." ECCV. 2018.
Matthew Botvinick et al. Reinforcement learning, fast and slow. Trends in cognitive sciences 2019.
Robert Geirhos, et al. "Shortcut learning in deep neural networks." Nature Machine Intelligence (2020).
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“CDLS” 就可以获取《什么是因果深度学习?DeepMind最新ICML2022《因果性与深度学习:协同、挑战和未来》教程,183页ppt详述因果DL》专知下载链接