【MLA 2019】学习因果关系与因果关系学习（Learning Causality and Learning with Causality: A Road to Intelligence）美国卡内基梅隆大学， 张坤

题目： Learning Causality and Learning with Causality: A Road to Intelligence

摘要： 吸烟会引起癌症吗？通过分析两个变量的观测值，我们能否找到它们之间的因果关系？在我们的日常生活和科学中，人们经常试图回答此类因果问题，目的是正确理解和操纵系统。在过去的几十年中，为了回答这些问题，在机器学习，统计和哲学等领域取得了有趣的进步。此外，我们还经常关注如何在复杂的环境中进行机器学习。例如，我们如何在非平稳环境中做出最佳预测？有趣的是，最近发现因果信息可以促进理解和解决各种机器学习问题，包括迁移学习和半监督学习。这篇演讲回顾了因果关系研究中的基本概念，并侧重于如何从观察数据中学习因果关系，以及因果关系为何以及如何帮助机器学习和其他任务。最后，我将讨论为什么因果表达很重要以便实现通用人工智能。

报告人： 张坤 博士 美国卡内基梅隆大学，也是德国马克斯·普朗克智能系统研究所的高级研究科学家。他的研究兴趣在于机器学习和人工智能，尤其是因果发现，基于因果关系的学习和通用人工智能。他从因果关系的角度开发了用于自动发现因果关系的方法，从因果关系角度研究学习问题，尤其是转移学习，概念学习和深度学习，并研究了因果关系和各种机器学习任务的哲学基础。他曾担任大型机器学习或人工智能会议的区域主席或高级程序委员会成员，包括NeurIPS，UAI，ICML，AISTATS，AAAI和IJCAI。他组织了各种学术活动，以促进因果关系的跨学科研究。