【Yoshua Bengio】因果表示学习，附视频与72页ppt

Yoshua Bengio将介绍因果表示学习。

Yoshua Bengio 说“因果关系对于机器学习的下一步进展非常重要“。” 深度学习包含了对静态数据集的学习，这使得人工智能非常擅长与相关性和关联相关的任务。然而，神经网络不能解释因果关系，也不能解释为什么这些联系和关联存在。他们也不擅长涉及想象力、推理和计划的任务。这反过来又限制了人工智能推广其学习并将其技能转移到其他相关环境的能力。 在本演讲中，Yoshua Bengio将介绍因果表示学习。

• 高层语义变量空间中的稀疏因子图

• 语义变量是因果的:代理，意图，可控对象

• 局部因果干预引起的分布变化(语义空间)

• 高层次语义变量/思想与单词/句子之间的简单映射

• 跨实例共享“通用规则”(作为参数)，需要变量和间接

• 含义是稳定和健壮的

• 信用分配只适用于短的因果链

https://www.youtube.com/watch?v=rKZJ0TJWvTk&list=PLoazKTcS0Rzb6bb9L508cyJ1z-U9iWkA0

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“CRL72” 可以获取《【Yoshua Bengio】因果表示学习，附视频与72页ppt》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源