【MLSS2020硬核课】机器学习「因果性」，德国Bernhard Schölkopf教授，177页ppt

【导读】机器学习暑期学校(MLSS)系列开始于2002年，致力于传播统计机器学习和推理的现代方法。今年因新冠疫情在线举行，从6月28号到7月10号讲述了众多机器学习主题。本文推荐来自德国人工智能教授 Bernhard Schölkopf教授讲述《因果性》，177页ppt系统性讲述了机器学习中的因果性，非常干货。

由Judea Pearl开创的图因果推理起源于人工智能(AI)的研究，在很长一段时间内与机器学习领域几乎没有联系。本文认为，机器学习和人工智能的硬开放问题本质上与因果关系有关，并解释了该领域是如何开始理解它们的。

近年来，机器学习社区对因果关系的兴趣显著增加。我对因果关系的理解是由Judea Pearl和许多合作者和同事所启发的，其中的大部分内容来自与Dominik Janzing和Jonas Peters合著的一本书(Peters et al.， 2017)。我已经在各种场合谈论过这个话题，其中一些正在进入机器学习的主流，特别是因果建模可以提升机器学习模型的鲁棒性。因果性和机器学习的交叉的发展令人兴奋。这篇报告不仅能够对讨论因果思维对AI的重要性有所帮助，而且还可以为机器学习的观众介绍一些图或结构因果模型的相关概念。

尽管最近取得了诸多成功，但如果我们将机器学习的能力与动物的能力进行比较，我们会发现，在一些动物擅长的关键技能上，前者相当糟糕。这包括迁移到新问题,任何形式的泛化,不是从一个数据点到下一个从相同的分布(采样),而是从一个问题到下一个——都被称为泛化。这个缺点并不是太令人吃惊，因为机器学习经常忽略生物大量使用的信息: 世界干预、领域迁移、时间结构。最后，机器学习也不擅长思考，在康拉德洛伦茨的意义上，即，在想象的空间中行动。我认为，因果性关注建模和推理，可以对理解和解决这些问题做出实质性的贡献，从而将该领域带入下一个层次。

视频： https://www.youtube.com/watch?v=btmJtThWmhA&feature=youtu.be

目录内容：

• 背景介绍
• 结构化因果模型
• 独立机制与解缠分解
• 做微积分
• 混淆
• 因果发现：两变量情况
• 因果机器学习
• 时间序列