【Yoshua Bengio】走向因果表示学习，附论文、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

机器学习和图形因果关系这两个领域分别出现和发展。然而，现在这两个领域的交叉发展受到越来越多的兴趣。在本文中，我们回顾了因果推理的基本概念，并将它们与机器学习的关键开放问题联系起来，包括迁移和泛化，从而分析因果关系如何对现代机器学习研究做出贡献。这也适用于相反的方向: 我们注意到，大多数因果关系的研究都是从给定因果变量的前提开始的。因此，人工智能和因果关系的一个核心问题是因果表示学习，即从低级观察中发现高级因果变量。最后，我们描述了机器学习的一些因果关系，并在这两个领域的交叉点提出了关键研究领域。

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