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(例如,由编码器接地)是稳定和健壮的wrt变化在分发 信用分配只适用于短的因果链

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

成为VIP会员查看完整内容
75

相关内容

【Yoshua Bengio】走向因果表示学习,附论文、视频与72页ppt
Yoshua Bengio最新《深度学习》MLSS2020教程,附104页PPT及视频
专知会员服务
126+阅读 · 2020年7月10日
一文读懂神经网络(附PPT、视频)
数据派THU
17+阅读 · 2018年3月25日
Arxiv
29+阅读 · 2020年3月16日
Video-to-Video Synthesis
Arxiv
9+阅读 · 2018年8月20日
Arxiv
4+阅读 · 2018年6月5日
Arxiv
7+阅读 · 2018年4月24日
Arxiv
7+阅读 · 2018年3月22日
Arxiv
7+阅读 · 2017年12月28日
VIP会员
相关论文
Arxiv
29+阅读 · 2020年3月16日
Video-to-Video Synthesis
Arxiv
9+阅读 · 2018年8月20日
Arxiv
4+阅读 · 2018年6月5日
Arxiv
7+阅读 · 2018年4月24日
Arxiv
7+阅读 · 2018年3月22日
Arxiv
7+阅读 · 2017年12月28日
微信扫码咨询专知VIP会员